DeepEyes 的安装和配置教程
2025-05-28 07:50:14作者:庞队千Virginia
项目的基础介绍和主要的编程语言
DeepEyes 是一个开源项目,致力于通过强化学习激励“以图像思考”的能力。该项目基于 VeRL 框架,使用了 Python 作为主要的编程语言。DeepEyes 的目标是实现不需要冷启动或监督微调,直接通过结果奖励信号进行指导的端到端强化学习。
项目使用的关键技术和框架
在实现其目标的过程中,DeepEyes 使用了以下关键技术和框架:
- VeRL 框架:用于构建基于强化学习的代理。
- Python:作为主要的编程语言。
- 强化学习算法:包括 PPO、GRPO 和 reinforce++ 等。
- 多模态输入:允许在代理观察中动态地使用多种模态输入。
- 工具使用:每个样本可以通过
env_name
字段指定自己的工具使用约束。
项目安装和配置的准备工作和详细的安装步骤
准备工作
在开始安装 DeepEyes 之前,请确保您的系统满足以下要求:
- Python 3.6 或更高版本。
- pip 包管理器。
- GPU 计算能力(对于训练过程是必须的)。
安装步骤
-
安装 VeRL
DeepEyes 是基于 VeRL 框架的,首先需要安装 VeRL:
pip install -e .
-
安装 DeepEyes 的依赖
运行以下命令来安装 DeepEyes 需要的额外依赖:
bash scripts/install_deepeyes.sh
-
下载预训练模型
DeepEyes 需要一个预训练的模型来开始训练。你可以从 Hugging Face 下载预训练的 Qwen 模型:
huggingface-cli download --resume-download https://huggingface.co/Qwen/Qwen2.5-72B-Instruct --local-dir /path/to/your/local/filedir --local-dir-use-symlinks False
替换
/path/to/your/local/filedir
为你希望存储模型的本地路径。 -
启动 vllm 服务
使用以下命令启动 vllm 服务:
vllm serve /path/to/your/local/filedir \ --port 18901 \ --gpu-memory-utilization 0.8 \ --max-model-len 32768 \ --tensor-parallel-size 8 \ --served-model-name "evaluator" \ --trust-remote-code \ --disable-log-requests
同样,确保替换
/path/to/your/local/filedir
为模型的本地路径。 -
准备数据
在开始训练之前,你需要准备数据集。数据集可以从 Hugging Face 下载。
-
启动训练
准备好数据后,可以使用以下命令启动训练。这里以 7B 模型为例:
bash examples/agent/final_merged_v1v8_thinklite.sh
对于 32B 模型,可以使用:
bash examples/agent/final_merged_v1v8_thinklite_32b.sh
训练脚本会使用
wandb
和RL Logging Board
来可视化训练动态。
按照以上步骤操作,你就可以完成 DeepEyes 的安装和配置,开始进行训练了。
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~052CommonUtilLibrary
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!C0309- 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
868
513

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
268
308

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
373

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

🔥🔥🔥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

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

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
599
58

基于可以运行在OpenHarmony的git,提供git客户端操作能力
ArkTS
10
3