Video-3D LLM 开源项目最佳实践教程
2025-05-17 03:53:44作者:鲍丁臣Ursa
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。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
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~050CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0302- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
178
262

🎉 (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
866
513

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
183

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
261
302

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
598
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

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
332
1.08 K