开源项目Embodied Generalist LEO使用教程
2024-09-25 23:46:21作者:伍希望
1. 项目介绍
Embodied Generalist LEO是一个3D具身多模态通才代理,能够在3D世界中进行感知、接地、推理、规划和行动。该项目由ICML 2024正式发布,旨在构建一个能够在多种任务和领域中表现出色的通用代理。LEO通过两阶段的训练方案进行训练:(i) 3D视觉-语言(VL)对齐和(ii) 3D视觉-语言-动作(VLA)指令调优。
2. 项目快速启动
2.1 克隆项目仓库
首先,克隆Embodied Generalist LEO的GitHub仓库到本地:
git clone git@github.com:embodied-generalist/embodied-generalist.git
cd embodied-generalist
2.2 创建并激活Conda环境
创建一个新的Conda环境并激活它:
conda create -n leo python=3.9
conda activate leo
2.3 安装依赖
安装PyTorch和其他依赖项:
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch
pip install -r requirements.txt
pip install peft==0.5.0 --no-deps
2.4 安装第三方库
安装用于点云后端的第三方库:
cd model
cd pointnetpp
python setup.py install
2.5 运行项目
确保配置文件configs/default.yaml
设置正确后,运行项目:
python run.py
3. 应用案例和最佳实践
3.1 3D视觉-语言对齐
LEO在3D视觉-语言对齐阶段,通过大量的数据集进行训练,包括Objaverse、ScanNet和3RScan等。这些数据集帮助LEO在3D环境中进行视觉和语言的对齐,从而更好地理解和推理3D场景。
3.2 3D视觉-语言-动作指令调优
在第二阶段,LEO通过3D视觉-语言-动作指令调优,进一步增强其在3D世界中的行动能力。这一阶段的数据集包括ScanNet、3RScan和MP3D等,涵盖了导航和操作等任务。
3.3 最佳实践
- 数据准备:确保所有数据集按照项目文档中的结构进行组织,以便训练和验证。
- 模型微调:根据具体任务需求,微调LEO的模型参数,以获得更好的性能。
- 实验记录:使用WandB等工具记录实验过程和结果,便于后续分析和优化。
4. 典型生态项目
4.1 SceneDiffuser
SceneDiffuser是一个与LEO相关的项目,专注于3D场景的扩散模型,能够生成高质量的3D场景数据,为LEO提供丰富的训练素材。
4.2 SQA3D
SQA3D是一个3D场景问答系统,与LEO结合使用,可以进行复杂的3D场景问答任务,提升LEO在3D环境中的交互能力。
4.3 ARNOLD
ARNOLD是一个机器人导航和操作项目,与LEO结合,可以实现更智能的机器人导航和操作任务,提升机器人在复杂环境中的适应能力。
通过以上模块的介绍和实践,您可以快速上手并深入了解Embodied Generalist LEO项目,并将其应用于各种3D场景中的任务和挑战。
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~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava03GitCode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!C0295- 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++
176
260

🎉 (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
854
505

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
254
295

🔥🔥🔥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

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
331
1.08 K

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
397
370

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

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

deepin linux kernel
C
21
5