InternLM-XComposer项目中Grounding数据的组织格式解析
2025-06-28 11:14:11作者:冯梦姬Eddie
在计算机视觉与自然语言处理交叉领域,Grounding技术(即视觉定位)已成为研究热点。本文将以InternLM-XComposer项目为例,深入解析其微调过程中rec(识别)和reg(回归)数据的组织格式规范。
边界框标注格式详解
InternLM-XComposer项目采用标准的边界框标注格式,具体表现为[x_min, y_min, x_max, y_max]的四元组形式。这种格式具有以下技术特点:
- 坐标系统:采用绝对像素坐标值,而非归一化比例值
- 取值范围:坐标值范围在0-1000之间,这种设计既保证了精度又避免了过大数值带来的计算负担
- 顺序规范:严格遵循左上角坐标在前,右下角坐标在后的顺序约定
示例数据片段展示了典型的标注格式:
{
"conversations": [
{
"from": "user",
"value": "请定位文档中的'金融服务指南'部分"
},
{
"from": "assistant",
"value": "目标区域边界框为[729, 0, 810, 25]"
}
]
}
数据组织架构设计
InternLM-XComposer项目的数据架构体现了良好的工程实践:
- 多模态关联:每个数据项明确关联图像路径和文本描述
- 对话式交互:采用问答形式组织标注数据,模拟真实的人机交互场景
- 唯一标识:为每个样本分配唯一ID,便于数据管理和追踪
技术实现建议
对于希望基于InternLM-XComposer进行二次开发的开发者,建议注意以下几点:
- 坐标转换:当处理不同分辨率图像时,需实现坐标的等比缩放转换
- 数据增强:在保持坐标有效性的前提下进行图像变换
- 异常处理:对越界坐标值(如超过1000)应有严格的校验机制
扩展应用场景
这种数据格式不仅适用于文档分析场景,经过适当调整还可应用于:
- 自然场景下的物体检测
- 图文对照的细粒度视觉定位
- 多轮对话中的动态目标追踪
通过规范化的数据组织格式,InternLM-XComposer为视觉-语言多模态研究提供了可靠的基础设施,这种设计思路值得相关领域的研究者和开发者借鉴。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0287Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp英语课程填空题提示缺失问题分析2 freeCodeCamp全栈开发课程中React实验项目的分类修正3 freeCodeCamp博客页面工作坊中的断言方法优化建议4 freeCodeCamp课程中屏幕放大器知识点优化分析5 freeCodeCamp课程视频测验中的Tab键导航问题解析6 freeCodeCamp论坛排行榜项目中的错误日志规范要求7 freeCodeCamp音乐播放器项目中的函数调用问题解析8 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析9 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析10 freeCodeCamp课程页面空白问题的技术分析与解决方案
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
161
2.05 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
198
279

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
535
62

Ascend Extension for PyTorch
Python
51
81

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
950
556

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1 K
397

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
385
19

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191