Modelscope/SWIFT项目中norm_bbox参数的技术解析
2025-05-31 18:34:05作者:钟日瑜
在Modelscope/SWIFT项目的视觉语言模型训练中,norm_bbox是一个重要的超参数,它控制着边界框(bounding box)的归一化处理方式。本文将深入解析这个参数的作用机制和使用场景。
norm_bbox参数的作用原理
norm_bbox参数主要用于控制视觉语言模型中边界框坐标的归一化处理方式。它有两个可选值:
- 'norm1000':将边界框坐标归一化到0-1000的范围
- 'none':不对边界框坐标进行任何归一化处理
这个参数的默认值是None,系统会根据所使用的模型自动选择合适的处理方式。
不同模型的使用建议
对于不同的视觉语言模型,norm_bbox参数的设置策略有所不同:
-
QwenVL2.5模型:该模型不需要对边界框进行归一化处理,因此norm_bbox应设置为'none'。
-
InternVL3模型:该模型要求输入边界框坐标归一化到0-1000的范围。这里需要注意两种情况:
- 如果训练数据已经手动归一化到0-1000范围,则norm_bbox应设置为'none'
- 如果训练数据是原始坐标,则norm_bbox应设置为'norm1000',由框架自动完成归一化
技术实现细节
在底层实现上,当norm_bbox设置为'norm1000'时,框架会对输入的边界框坐标执行以下转换:
- 将x坐标除以图像宽度后乘以1000
- 将y坐标除以图像高度后乘以1000
- 对宽度和高度进行同样的处理
这种归一化方式有助于模型更好地学习空间关系,同时保持不同尺寸图像之间的一致性。
最佳实践建议
- 在使用前应仔细查阅目标模型的文档,了解其对边界框输入的要求
- 保持数据预处理和模型配置的一致性,避免重复归一化或遗漏归一化
- 对于自定义数据集,建议先检查原始边界框坐标的范围,再决定是否需要启用norm_bbox
- 在模型迁移或切换时,要特别注意检查norm_bbox的设置是否适合新模型
通过正确配置norm_bbox参数,可以确保视觉语言模型获得格式正确的边界框输入,从而提高模型训练的效果和预测的准确性。
登录后查看全文
热门项目推荐
相关项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-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~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-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).Dockerfile06
- 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
139
1.91 K

deepin linux kernel
C
22
6

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++
192
273

🎉 (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
923
551

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
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

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)。
Jupyter Notebook
74
64

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8