Video-3D LLM 开源项目最佳实践教程

1. 项目介绍

Video-3D LLM 是一个用于 3D 场景理解的新型通用模型。该模型将 3D 场景视为动态视频，并引入 3D 位置编码，使视频表示与现实世界空间上下文更加准确对齐。Video-3D LLM 通过优化计算成本和性能效率的平衡，实现了在多个 3D 场景理解基准测试上的领先性能，包括 ScanRefer、Multi3DRefer、Scan2Cap、ScanQA 和 SQA3D。

2. 项目快速启动

克隆仓库

首先，克隆 Video-3D LLM 的 GitHub 仓库：

git clone https://github.com/LaVi-Lab/Video-3D-LLM.git
cd Video-3D-LLM

创建虚拟环境

创建并激活 Conda 虚拟环境：

conda create -n video3dllm python=3.10 -y
conda activate video3dllm

安装依赖

安装所需的 Python 包：

pip install --upgrade pip
pip install -e ".[train]"
pip install flash-attn --no-build-isolation

数据准备

请参考项目提供的详细数据准备说明。

训练模型

使用以下命令进行全量微调训练：

sh scripts/3d/train/train_multi.sh

评估模型

使用指定的检查点和帧采样策略评估模型性能：

sh scripts/3d/eval/eval_scan2cap.sh <CKPT_NAME> <SAMPLING_STRATEGY> <MAX_FRAMES>

• CKPT_NAME: 用于评估的模型检查点路径
• SAMPLING_STRATEGY: 帧采样策略（选项：uniform, ratio90, ratio95）
• MAX_FRAMES: 使用的最大帧数（采样上限）

例如：

sh scripts/3d/eval/eval_scan2cap.sh $CKPT uniform 32

3. 应用案例和最佳实践

应用案例

Video-3D LLM 可用于多种 3D 场景理解任务，如物体识别、场景分割、姿态估计等。以下是一些应用案例：

• 使用 Video-3D LLM 进行室内场景的物体检测和分类。
• 利用 Video-3D LLM 支持的动态视频表示，进行机器人导航和交互。

最佳实践

• 数据质量: 确保训练数据的质量和多样性，以便模型能够学习到丰富的空间特征。
• 帧采样策略: 选择合适的帧采样策略，如 uniform、ratio90 或 ratio95，以平衡性能和计算成本。
• 模型微调: 根据具体应用场景对模型进行微调，以获得最佳性能。

4. 典型生态项目

以下是一些与 Video-3D LLM 相关的典型生态项目：

• LLaVA-Next: Video-3D LLM 的代码库基于 LLaVA-Next 构建。
• LLaVA-3D、LEO、EmbodiedScan: 这些项目为数据处理和评估设置提供了参考。
• ScanNet、ScanRefer、Multi3DRefer、SQA3D、ScanQA: 这些数据集用于模型的训练和评估。

通过结合 Video-3D LLM 和这些生态项目，可以进一步扩展和增强 3D 场景理解的应用。