/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
6,6 млрд
Размер весов
14,5 ГБ
Лицензия
Apache 2.0
Архитектура
llava · dense
Библиотека
transformers
Опубликована
31 мар 2025

GLUS-S

Генерация текстаТекст → текст3 профессии

GLUS-S сегментирует упомянутые в текстовых описаниях объекты на видео, объединяя глобальное понимание сцены с анализом кадров.

60скачиваний за 30 дней0лайковвеса обновлены11 апр 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GLUS-S — модель Lang Lin, Xueyang Yu, Ziqi Pang и Yu-Xiong Wang для сегментации объектов в видео по текстовым описаниям (RefVOS), в том числе в сложных сценах. Она объединяет глобальное понимание видео с анализом отдельных кадров и использует память по кадрам, контрастивное обучение объектов и выбор ключевых кадров для поддержания согласованности масок и локализации объекта.

Модель обучена на наборах MeViS и Ref-YouTube-VOS. В README для GLUS-S приведены результаты 50,3 J&F на MeViS и 66,6 J&F на Ref-YouTube-VOS. Каталог указывает архитектуру семейства LLaVA, плотную модель с 6,6 млрд параметров и контекстом 2048 токенов; файлы представлены в формате PyTorch. Для практического запуска README описывает отдельную инфраструктуру проекта и предобученные веса LISA и SAM-2. Лицензия репозитория — Apache-2.0.

Сценарии применения

  • создание масок объекта по текстовому описанию в видео
  • отслеживание и сегментация упомянутого объекта между кадрами
  • локализация объекта в сложных видеосценах
  • оценка методов RefVOS на наборах MeViS и Ref-YouTube-VOS

Ограничения

Репозиторий описывает применение через специализированный код GLUS и подготовку предобученных весов LISA и SAM-2; одного чекпойнта может быть недостаточно для запуска. В README приведены результаты на MeViS и Ref-YouTube-VOS, но они не устанавливают качество на других наборах данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GLUS: Global-Local Reasoning Unified into A Single Large Language Model for Video Segmentation

[Project Page] [arXiv] [GitHub]

arXiv Project

Overview

RefVOS in complex scenarios places high demands on models' video understanding and fine-grained localization capabilities. Recently, numerous models leveraging MLLM-based comprehension and reasoning abilities have been proposed to address this challenge. Our GLUS advances further along this methodological path.

🚀 GLUS is principled. It utilizes global-local reasoning to combine holistic video understanding with detailed frames understanding, unleashing the potential of fine-grained segmentation in complex scenarios.

✨ GLUS is powerful. It unifies the methods of memory bank, object contrastive learning and key frame selection to tackle the problems of mask inconsistency and object obfuscation, achieving state-of-the-art performance in complex-scenario RefVOS tasks.

📌 GLUS is simple. It elegantly integrates the approach for complex-scenario RefVOS tasks within a single MLLM framework, eliminating the necessity of utilizing other independent modules.

Installation

git clone git@github.com:GLUS-video/GLUS.git && cd GLUS
pip install -r requirements.txt
pip install ./model/segment-anything-2
pip install flash-attn==2.6.2 --no-build-isolation

Model Zoo

For more convenient following, we provide the checkpoints of GLUS without object contrastive learning.

ModelTraining DatasetsMethodsDownloadMeViS J&FRef-Youtube-VOS J&F
GLUSSpartialMeViS, Ref-Youtube-VOSGLU + MBHuggingFace, ModelScope49.565.2
GLUSSMeViS, Ref-Youtube-VOSGLU + MB + OC + KFSHuggingFace, ModelScope50.366.6
GLUSA+ RefDAVIS17, ReVOS, LVVISGLU + MBHuggingFace, ModelScope51.367.3

Notes: “GLU”: Global-local unification, “MB”: End-to-end memory bank, “OC”: Object contrastive loss, “KFS”: key frame selection. GLUSS refers to the model trained on a subset of existing RefVOS datasets (Mevis and Ref-Youtube-VOS), while GLUSA denotes the model trained on the full set of available datasets.

We recommend to download and store the pretrained weights at GLUS_ROOT/checkpoints.

Training and Validation

1. Data Preparation

Please follow the below architecture to prepare the datasets. We recommend to set DATASET_ROOT to GLUS_ROOT/data.

  1. RefVOS Datasets: MeViS, Refer-YouTube-VOS, Ref-DAVIS17.
  2. Reasoning VOS Datasets: ReVOS, ReasonVOS
  3. Open-Vocabulary Video Instance Segmentation Dataset: LV-VIS.
DATASET_ROOT
├── mevis
│   ├── train
│   │   ├── JPEGImages
│   │   ├── mask_dict.json
│   │   └── meta_expressions.json
│   ├── valid
│   │   ├── JPEGImages
│   │   └── meta_expressions.json
│   └── valid_u
│       ├── JPEGImages
│       ├── mask_dict.json
│       └── meta_expressions.json
├── Refer-YouTube-VOS
│   ├── meta_expressions
│   │   ├── train/meta_expressions.json
│   │   └── valid/meta_expressions.json
│   ├── train
│   │   ├── JPEGImages
│   │   └── Annotations
│   └── valid
│       └── JPEGImages
├── DAVIS17
│   ├── meta_expressions
│   │   ├── train/meta_expressions.json
│   │   └── valid/meta_expressions.json
│   ├── train
│   │   ├── JPEGImages
│   │   └── Annotations
│   └── valid
│       ├── JPEGImages
│       └── Annotations
├── LVVIS
│   ├── train
│   │   └── JPEGImages
│   ├── mask_dict.json
│   └── meta_expressions.json
├── ReVOS
│   ├── JPEGImages 
│   ├── mask_dict.json             
│   ├── mask_dict_foreground.json   
│   ├── meta_expressions_train_.json 
│   └── meta_expressions_valid_.json 
├── ReasonVOS
│   ├── JPEGImages 
│   ├── Annotations           
│   ├── meta_expressions.json 

2. Model Weights Preparation

Follow the guidance to prepare for the pretrained weights of LISA and SAM-2 for training GLUS:

  1. Download the pretrained weights of LISA from LISA-7B-v1.
  2. Download the pretrained weights of SAM-2 from sam2_hiera_large.
WEIGHTS_ROOT
├── LISA-7B-v1
└── sam2_hiera_large.pt

We recommend to set WEIGHTS_ROOT to GLUS_ROOT/checkpoints.

3. Training

Set the paths in the scripts and then run scripts/train_glus_s.sh or scripts/train_glus_a.sh. The scripts will automatically start the training, and transform the saved checkpoint into hugging-face format when the training finished.

Key Frame Selection

For the usage of key frame selection, please refer to the KFS_README.

4. Evaluation

Set the paths, val_set and set_name in scripts/inference.sh, and then run it. It will detect the available GPUs firstly and then individually run parallelizable inference on each gpu.

Evaluation with Key Frame Selection

Set the args use_kf and kf_path in scripts/inference_kf.sh, and then run it. We provide our json file on Mevis and Refyoutube-VOS for GLUSS on the google drive.

After the masks are generated completely, run the corresponding evalaution python file in utils. You may need to set the groundtruth mask path, predicted mask path and expressions json file path. Please refer to the eval files to see the help on arguments.

An example:

python utils/eval_mevis.py \\
  --mevis_exp_path=\'$GLUS_ROOT/data/mevis/valid_u/meta_expressions.json\' \\
  --mevis_mask_path=\'$GLUS_ROOT/data/mevis/valid_u/mask_dict.json\'
  --mevis_pred_path=\'$GLUS_ROOT/generated\'

Specially, to evaluate the performance on Refer-YouTube-VOS Valid or MeViS Valid benchmarks, you may need to submit the predicted masks results following the guidance at MeViS-Evaluation-Server or RefYoutube-Evaluation-Server.

Inference and Demo

Please refer to demo.ipynb to inference on your own videos and referrings.

For more examples, please refer to our Project Page.

Citation

If you find this work useful in your research, please consider citing:

@inproceedings{lin2025glus,
  title={GLUS: Global-Local Reasoning Unified into A Single Large Language Model for Video Segmentation},
  author={Lin, Lang and Yu, Xueyang and Pang, Ziqi and Wang, Yu-Xiong},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  year={2025}
}

Acknowledgement

We thank the contributors to the following open-source projects. Our project is impossible without the inspirations from these excellent researchers.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GLUSForCausalLM
Ревизия весов
679f666

0 моделей