/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
14,4 ГБ
Лицензия
MIT
Архитектура
openvla · dense
Библиотека
transformers
Опубликована
10 июн 2024

openvla-v01-7b

Изображение и текст → текст3 профессии

OpenVLA v0.1 7B принимает инструкцию и изображение рабочей зоны и предсказывает действия робота для задач манипуляции.

136скачиваний за 30 дней11лайковвеса обновлены14 июн 2024

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

OpenVLA v0.1 7B — открытая модель vision-language-action, разработанная командой OpenVLA при участии исследователей из Stanford, UC Berkeley, Google DeepMind и Toyota Research Institute. Модель принимает инструкцию на естественном языке и изображение с камеры рабочей зоны, а предсказывает нормализованные действия робота: смещения 7-DoF конечного эффектора и состояние захвата. Она обучена на 800 тысячах эпизодов манипуляций из Open X-Embodiment и предназначена для управления несколькими представленными в обучающих данных роботами.

Модель можно применять для выполнения инструкций на роботах и задачах, встречавшихся в смеси предобучения, а также дообучать с небольшим количеством демонстраций для новых задач и конфигураций. В README указано, что это ранняя модель, созданная для разработки; для наиболее сильной версии авторы рекомендуют openvla/openvla-7b. Для исполнения предсказанных действий на реальном роботе требуется обратная нормализация с использованием статистик конкретного робота и набора данных. Нулевое обобщение на незнакомые типы роботов и конфигурации не поддерживается. Лицензия — MIT.

Сценарии применения

  • управление роботом по текстовой инструкции и изображению с камеры
  • выполнение задач манипуляции на поддерживаемых роботах
  • управление Widow-X в средах BridgeV2
  • дообучение управления роботом на демонстрациях для новой задачи
  • предсказание положения и ориентации конечного эффектора и команды захвата

Ограничения

Это ранняя версия для разработки; авторы рекомендуют openvla/openvla-7b как более сильную модель. Модель не обобщается в режиме zero-shot на незнакомые типы роботов и конфигурации; действия перед выполнением нужно денормализовать по статистикам конкретного робота и набора 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

OpenVLA v0.1 7B

Note: OpenVLA v0.1 was an early model we trained for development purposes; for our best model, see openvla/openvla-7b.

OpenVLA v0.1 7B (openvla-v01-7b) is an open vision-language-action model trained on 800K robot manipulation episodes from the Open X-Embodiment dataset (the same mixture used by Octo). The model takes language instructions and camera images as input and generates robot actions. It supports controlling multiple robots out-of-the-box, and can be quickly adapted for new robot domains via (parameter-efficient) fine-tuning.

All OpenVLA checkpoints, as well as our training codebase are released under an MIT License.

For full details, please read our paper and see our project page.

Model Summary

Uses

OpenVLA models take a language instruction and a camera image of a robot workspace as input, and predict (normalized) robot actions consisting of 7-DoF end-effector deltas of the form (x, y, z, roll, pitch, yaw, gripper). To execute on an actual robot platform, actions need to be un-normalized subject to statistics computed on a per-robot, per-dataset basis. See our repository for more information.

OpenVLA models can be used zero-shot to control robots for specific combinations of embodiments and domains seen in the Open-X pretraining mixture (e.g., for BridgeV2 environments with a Widow-X robot). They can also be efficiently fine-tuned for new tasks and robot setups given minimal demonstration data; see here.

Out-of-Scope: OpenVLA models do not zero-shot generalize to new (unseen) robot embodiments, or setups that are not represented in the pretraining mix; in these cases, we suggest collecting a dataset of demonstrations on the desired setup, and fine-tuning OpenVLA models instead.

Getting Started

OpenVLA 7B can be used to control multiple robots for domains represented in the pretraining mixture out-of-the-box. For example, here is an example for loading openvla-v01-7b for zero-shot instruction following in the [BridgeV2 environments] with a Widow-X robot:

# Install minimal dependencies (`torch`, `transformers`, `timm`, `tokenizers`, ...)
# > pip install -r https://raw.githubusercontent.com/openvla/openvla/main/requirements-min.txt
from transformers import AutoModelForVision2Seq, AutoProcessor
from PIL import Image

import torch

# Load Processor & VLA
processor = AutoProcessor.from_pretrained("openvla/openvla-7b", trust_remote_code=True)
vla = AutoModelForVision2Seq.from_pretrained(
    "openvla/openvla-v01-7b",
    attn_implementation="flash_attention_2",  # [Optional] Requires `flash_attn`
    torch_dtype=torch.bfloat16, 
    low_cpu_mem_usage=True, 
    trust_remote_code=True
).to("cuda:0")

# Grab image input & format prompt (note inclusion of system prompt due to Vicuña base model)
image: Image.Image = get_from_camera(...)
system_prompt = (
    "A chat between a curious user and an artificial intelligence assistant. "
    "The assistant gives helpful, detailed, and polite answers to the user's questions."
)
prompt = f"{system_prompt} USER: What action should the robot take to {<INSTRUCTION>}? ASSISTANT:"

# Predict Action (7-DoF; un-normalize for BridgeV2)
inputs = processor(prompt, image).to("cuda:0", dtype=torch.bfloat16)
action = vla.predict_action(**inputs, unnorm_key="bridge_orig", do_sample=False)

# Execute...
robot.act(action, ...)

For more examples, including scripts for fine-tuning OpenVLA models on your own robot demonstration datasets, see our training repository.

Citation

BibTeX:

@article{kim24openvla,
    title={OpenVLA: An Open-Source Vision-Language-Action Model},
    author={{Moo Jin} Kim and Karl Pertsch and Siddharth Karamcheti and Ted Xiao and Ashwin Balakrishna and Suraj Nair and Rafael Rafailov and Ethan Foster and Grace Lam and Pannag Sanketi and Quan Vuong and Thomas Kollar and Benjamin Burchfiel and Russ Tedrake and Dorsa Sadigh and Sergey Levine and Percy Liang and Chelsea Finn},
    journal = {arXiv preprint arXiv:2406.09246},
    year={2024}
} 

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
OpenVLAForActionPrediction
Ревизия весов
da55c88

0 моделей