/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
31 янв 2025

LLMDet

Поиск объектов без дообученияИзображение, текст → bounding_boxes

LLMDet — детектор объектов с открытым словарём, который находит на изображениях объекты, заданные текстовыми категориями или описаниями.

0скачиваний за 30 дней23лайкавеса обновлены7 апр 2025

Бенчмарки

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

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

LLMDet — детектор объектов с открытым словарём, разработанный авторами проекта LLMDet. Модель обучена на основе MM-Grounding-DINO с использованием визуального backbone Swin и supervision от больших языковых моделей: вместе с grounding-разметкой обучение использует подробные подписи к изображениям и областям интереса. В репозитории приведены варианты на Swin-T и Swin-B.

Модель предназначена для обнаружения объектов по текстовым категориям, в том числе за пределами фиксированного набора классов. Её можно применять для поиска и локализации объектов на изображениях по описанию; README сообщает об оценках на LVIS. Вход — изображение и текстовый запрос, выход — найденные объекты с областями и оценками. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Для обучения авторы указывают PyTorch 2.2.1 и зависимости MMDetection/MMCV; README не описывает отдельный готовый интерфейс инференса.

Сценарии применения

  • поиск объектов на изображениях по текстовой категории
  • локализация объектов с открытым набором классов
  • обнаружение объектов на изображениях из коллекций и каталогов
  • оценка детектирования объектов на бенчмарке LVIS

Ограничения

README приводит главным образом результаты на LVIS и не уточняет измерения скорости или требования к ресурсам для инференса. Для воспроизведения обучения требуется отдельная настройка окружения и подготовка данных GroundingCap-1M и связанных датасетов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models

This is the official PyTorch implementation of LLMDet. Please see our GitHub.

1 Introduction

Recent open-vocabulary detectors achieve promising performance with abundant region-level annotated data. In this work, we show that an open-vocabulary detector co-training with a large language model by generating image-level detailed captions for each image can further improve performance. To achieve the goal, we first collect a dataset, GroundingCap-1M, wherein each image is accompanied by associated grounding labels and an image-level detailed caption. With this dataset, we finetune an open-vocabulary detector with training objectives including a standard grounding loss and a caption generation loss. We take advantage of a large language model to generate both region-level short captions for each region of interest and image-level long captions for the whole image. Under the supervision of the large language model, the resulting detector, LLMDet, outperforms the baseline by a clear margin, enjoying superior open-vocabulary ability. Further, we show that the improved LLMDet can in turn build a stronger large multi-modal model, achieving mutual benefits.

2 Model Zoo

ModelAPminiAPrAPcAPfAPvalAPrAPcAPf
LLMDet Swin-T only p544.538.639.350.334.625.529.943.8
LLMDet Swin-T44.737.339.550.734.926.030.144.3
LLMDet Swin-B48.340.843.154.338.528.234.347.8
LLMDet Swin-L51.145.146.156.642.031.638.850.2
LLMDet Swin-L (chunk size 80)52.444.348.857.143.232.840.550.8

NOTE:

  1. APmini: evaluated on LVIS minival.
  2. APval: evaluated on LVIS val 1.0.
  3. AP is fixed AP.
  4. All the checkpoints and logs can be found in huggingface and modelscope.
  5. Other benchmarks are tested using LLMDet Swin-T only p5.

3 Our Experiment Environment

Note: other environments may also work.

  • pytorch==2.2.1+cu121
  • transformers==4.37.2
  • numpy==1.22.2 (numpy should be lower than 1.24, recommend for numpy==1.23 or 1.22)
  • mmcv==2.2.0, mmengine==0.10.5
  • timm, deepspeed, pycocotools, lvis, jsonlines, fairscale, nltk, peft, wandb

4 Data Preparation

|--huggingface
|  |--bert-base-uncased
|  |--siglip-so400m-patch14-384
|  |--my_llava-onevision-qwen2-0.5b-ov-2
|  |--mm_grounding_dino
|  |  |--grounding_dino_swin-t_pretrain_obj365_goldg_grit9m_v3det_20231204_095047-b448804b.pth
|  |  |--grounding_dino_swin-b_pretrain_obj365_goldg_v3de-f83eef00.pth
|  |  |--grounding_dino_swin-l_pretrain_obj365_goldg-34dcdc53.pth
|--grounding_data
|  |--coco
|  |  |--annotations
|  |  |  |--instances_train2017_vg_merged6.jsonl
|  |  |  |--instances_val2017.json
|  |  |  |--lvis_v1_minival_inserted_image_name.json
|  |  |  |--lvis_od_val.json
|  |  |--train2017
|  |  |--val2017
|  |--flickr30k_entities
|  |  |--flickr_train_vg7.jsonl
|  |  |--flickr30k_images
|  |--gqa
|  |  |--gqa_train_vg7.jsonl
|  |  |--images
|  |--llava_cap
|  |  |--LLaVA-ReCap-558K_tag_box_vg7.jsonl
|  |  |--images
|  |--v3det
|  |  |--annotations
|  |  |  |--v3det_2023_v1_train_vg7.jsonl
|  |  |--images
|--LLMDet (code)
  • pretrained models
    • bert-base-uncased, siglip-so400m-patch14-384 are directly downloaded from huggingface.
    • To fully reproduce our results, please download my_llava-onevision-qwen2-0.5b-ov-2 from huggingface or modelscope, which is slightly fine-tuned by us in early exploration. We find that the original llava-onevision-qwen2-0.5b-ov is still OK to reproduce our results but users should pretrain the projector.
    • Since LLMDet is fine-tuned frommm_grounding_dino, please download their checkpoints swin-t, swin-b, swin-l for training.
  • grounding data (GroundingCap-1M)
    • coco: You can download it from the COCO official website or from opendatalab.
    • lvis: LVIS shares the same images with COCO. You can download the minival annotation file from here, and the val 1.0 annotation file from here.
    • flickr30k_entities:Flickr30k images.
    • gqa: GQA images.
    • llava_cap:images .
    • v3det:The V3Det dataset can be downloaded from opendatalab.
    • Our generated jsonls can be found in huggingface or modelscope.
    • For other evalation datasets, please refer to MM-GDINO.

5 Usage

5.1 Training

bash dist_train.sh configs/grounding_dino_swin_t.py 8 --amp

5.2 Evaluation

bash dist_test.sh configs/grounding_dino_swin_t.py tiny.pth 8

6 License

LLMDet is released under the Apache 2.0 license. Please see the LICENSE file for more information.

7 Bibtex

If you find our work helpful for your research, please consider citing our paper.

@article{fu2025llmdet,
  title={LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models},
  author={Fu, Shenghao and Yang, Qize and Mo, Qijie and Yan, Junkai and Wei, Xihan and Meng, Jingke and Xie, Xiaohua and Zheng, Wei-Shi},
  journal={arXiv preprint arXiv:2501.18954},
  year={2025}
}

8 Acknowledgement

Our LLMDet is heavily inspired by many outstanding prior works, including

Thank the authors of above projects for open-sourcing their assets!

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
51aea9d

0 моделей