首页
/ multimodal-search-r1 的安装和配置教程

multimodal-search-r1 的安装和配置教程

2025-05-28 20:14:10作者:殷蕙予

项目基础介绍

multimodal-search-r1 是一个开源项目,旨在通过端到端的强化学习框架,为大型语言模型(LMMs)赋予主动图像搜索能力。项目的目标不仅包括训练模型决定何时调用图像搜索工具,还包括有效地提取、合成和利用相关信息以支持下游推理。该项目是使LMMs能够以目标导向的方式动态与外部工具交互的基础步骤,从而提高长尾和知识密集型视觉问答(VQA)任务的性能。

该项目主要使用的编程语言是 Python。

项目使用的关键技术和框架

  • 强化学习(RL)框架:用于训练模型主动搜索图像的能力。
  • OpenDeepResearcher:用于图像搜索的工具管道。
  • SerpApi:用于检索与图像相关的网络内容。
  • JINA Reader:用于处理图像数据。
  • LLM(Large Language Model):用于对搜索到的内容进行总结。

项目安装和配置的准备工作

在开始安装之前,请确保您的系统中已经安装了以下软件:

  • Python 3.9 或更高版本
  • Conda(用于Python环境管理)
  • pip3(用于安装Python包)

详细的安装步骤

  1. 克隆项目仓库 在您的命令行中执行以下命令以克隆项目仓库:

    git clone https://github.com/EvolvingLMMs-Lab/multimodal-search-r1.git
    cd multimodal-search-r1
    
  2. 初始化 Conda 环境 创建并激活一个新的Conda环境,使用以下命令:

    conda create -n imsearch python=3.9 -y
    conda activate imsearch
    
  3. 安装项目依赖 使用以下命令安装项目所需的Python包:

    pip3 install -e .
    pip3 install flash-attn --no-build-isolation
    pip3 install wandb
    
  4. 配置 wandb 替换 XXX 为您的 wandb API Key,并执行以下命令进行配置:

    export WANDB_API_KEY="XXX"
    wandb login $WANDB_API_KEY
    
  5. 实现搜索工具管道tools/ 目录下实现您自己的搜索工具管道。

  6. 训练和评估模型 使用以下命令进行统一训练和评估:

    bash scripts/run_imsearch_grpo.sh
    

    请注意配置以下重要参数:

    • actor_rollout_ref.rollout.name 应设置为 vllm_multiturn_imsearch 以启用多轮搜索。
    • actor_rollout_ref.actor.use_multi_turn_response_mask 应设置为 True,用于精确计算损失。
    • actor_rollout_ref.rollout.max_gen_round 设置为最大回合数。
    • data.max_response_length 设置为每回合的最大响应长度。
    • actor_rollout_ref.rollout.response_length_total 设置为所有回合(除第一回合用户提示外)的最大对话长度。

以上就是 multimodal-search-r1 的安装和配置指南,按照上述步骤操作,即可完成项目的搭建。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
RuoYi-Vue3RuoYi-Vue3
🎉 (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
858
511
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
openHiTLSopenHiTLS
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
258
298
ShopXO开源商城ShopXO开源商城
🔥🔥🔥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
Cangjie-ExamplesCangjie-Examples
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
HarmonyOS-ExamplesHarmonyOS-Examples
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
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4
CangjieCommunityCangjieCommunity
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
kernelkernel
deepin linux kernel
C
22
5