Video-3D-LLM 的安装和配置教程

1. 项目的基础介绍和主要的编程语言

Video-3D-LLM 是一个开源项目，旨在通过学习位置感知的视频表示来提升三维场景理解能力。该项目针对多模态大型语言模型在处理三维空间任务时的局限性进行了优化，引入了三维位置编码，使得视频表示与真实世界空间上下文更加准确地对齐。主要编程语言为 Python。

2. 项目使用的关键技术和框架

Video-3D-LLM 使用了以下关键技术和框架：

• 位置感知视频表示：通过将三维场景视为动态视频，并加入位置编码，提高了模型在三维场景理解中的表现。
• 最大覆盖采样技术：优化了计算成本和性能效率之间的平衡。
• LLaVA-Next：项目基于 LLaVA-Next 代码库构建。
• 数据预处理和评估：参考了 LLaVA-3D、LEO、EmbodiedScan 等项目。

3. 项目安装和配置的准备工作和详细的安装步骤

准备工作

• 确保您的计算机上安装有 Git、Python 和 Conda。
• 准备一个合适的环境来安装项目依赖。

安装步骤

1. 克隆项目仓库

   在终端中执行以下命令，克隆项目仓库到本地环境：

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

2. 创建 Conda 环境

   使用 Conda 创建一个新的 Python 环境并激活：

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

3. 安装依赖

   激活环境后，安装项目所需的依赖：

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

4. 数据准备

   请参考项目提供的数据准备指南进行数据准备。

5. 训练模型

   设置 frame_sampling_strategy 和 frames_upbound 参数后，运行以下命令进行训练：

   sh scripts/3d/train/train_multi.sh
   

6. 评估模型

   使用指定的检查点、帧采样策略和最大帧数来评估模型性能：

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

   其中 <CKPT_NAME> 是模型检查点的路径，<SAMPLING_STRATEGY> 是帧采样策略（uniform、ratio90、ratio95），<MAX_FRAMES> 是使用的最大帧数。

按照以上步骤，您应该能够成功安装和配置 Video-3D-LLM 项目。