UGround 的项目扩展与二次开发
2025-05-24 09:02:48作者:余洋婵Anita
UGround 是一个开源项目,旨在实现通用界面视觉定位(Universal GUI Visual Grounding),为 GUI 代理提供高效、准确的结果。本文将介绍 UGround 项目的扩展和二次开发的可能性。
1. 项目的基础介绍
UGround 项目是 OSU NLP Group 和 Orby AI 的合作成果,旨在帮助 GUI 代理在数字世界中像人类一样导航。项目基于 ICLR'25 Oral 论文《Navigating the Digital World as Humans Do: Universal Visual Grounding for GUI Agents》实现,为界面视觉定位提供了一个完整的解决方案。
2. 项目的核心功能
UGround 项目的核心功能包括:
- 界面视觉定位: 通过描述,帮助 GUI 代理识别屏幕上的具体区域、元素或对象,并返回其坐标。
- 多模态支持: 支持 Mobile-Text、Mobile-Icon、Desktop-Text、Desktop-Icon、Web-Text 和 Web-Icon 等多种界面元素。
- 高性能: 在多个 GUI 视觉定位基准测试中,UGround 取得了优异的性能,例如在 ScreenSpot-Pro 基准测试中,Qwen2-VL 基础上的 UGround-V1 实现了 31.1 的准确率。
3. 项目的框架或库
UGround 项目使用了以下框架和库:
- Hugging Face Transformers: 用于加载和运行预训练的模型。
- vLLM: 用于部署和推理模型。
- PyTorch: 用于模型的训练和评估。
4. 项目的代码目录及介绍
UGround 项目的代码目录如下:
- grounding: 包含界面视觉定位的代码。
- offline_evaluation: 包含离线实验的代码和结果。
- online_evaluation: 包含在线实验的代码。
- train: 包含训练模型的代码。
- .gitmodules: Git 子模块配置文件。
- LICENSE.txt: 项目许可证文件。
- README.md: 项目说明文件。
5. 对项目进行扩展或者二次开发的方向
UGround 项目具有很大的扩展和二次开发空间,以下是一些可能的方向:
- 增加新的界面元素支持: 根据实际需求,增加对更多界面元素的支持,如按钮、下拉菜单等。
- 改进模型性能: 尝试不同的模型架构和训练方法,提高模型在各个基准测试上的性能。
- 集成到现有的 GUI 代理中: 将 UGround 集成到现有的 GUI 代理中,提供更智能的界面交互体验。
- 开发新的应用场景: 利用 UGround 的界面视觉定位能力,开发新的应用场景,如智能客服、智能家居等。
希望本文能对您了解 UGround 项目的扩展和二次开发有所帮助。如果您对 UGround 项目有任何疑问或建议,欢迎在项目仓库中提出 issue 或 pull request。
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++033Hunyuan3D-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~0283Hunyuan3D-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
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
160
2.03 K

deepin linux kernel
C
22
6

Ascend Extension for PyTorch
Python
44
76

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++
534
57

🎉 (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
947
556

React Native鸿蒙化仓库
C++
197
279

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
996
396

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
381
15

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

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
71