GPT-4V來做目標(biāo)檢測？網(wǎng)友實測：還沒有準(zhǔn)備好。

雖然檢測到的類別沒問題，但大多數(shù)邊界框都錯放了。

沒關(guān)系，有人會出手！

那個搶跑GPT-4看圖能力幾個月的迷你GPT-4升級啦——MiniGPT-v2。

△（左邊為GPT-4V生成，右邊為MiniGPT-v2生成）

而且只是一句簡單指令：[grounding] describe this image in detail就實現(xiàn)的結(jié)果。

不僅如此，還輕松處理各類視覺任務(wù)。

圈出一個物體，提示詞前面加個 [identify] 可讓模型直接識別出來物體的名字。

當(dāng)然也可以什么都不加，直接問~

MiniGPT-v2由來自MiniGPT-4的原班人馬（KAUST沙特阿卜杜拉國王科技大學(xué)）以及Meta的五位研究員共同開發(fā)。

上次MiniGPT-4剛出來就引發(fā)巨大關(guān)注，一時間服務(wù)器被擠爆，如今GItHub項目已超22000+星。

此番升級，已經(jīng)有網(wǎng)友開始用上了~

多視覺任務(wù)的通用界面

大模型作為各文本應(yīng)用的通用界面，大家已經(jīng)司空見慣了。受此靈感，研究團隊想要建立一個可用于多種視覺任務(wù)的統(tǒng)一界面，比如圖像描述、視覺問題解答等。

「如何在單一模型的條件下，使用簡單多模態(tài)指令來高效完成各類任務(wù)？」成為團隊需要解決的難題。

簡單來說，MiniGPT-v2由三個部分組成：視覺主干、線性層和大型語言模型。

該模型以ViT視覺主干為基礎(chǔ)，所有訓(xùn)練階段都保持不變。從ViT中歸納出四個相鄰的視覺輸出標(biāo)記，并通過線性層將它們投影到 LLaMA-2語言模型空間中。

團隊建議在訓(xùn)練模型為不同任務(wù)使用獨特的標(biāo)識符，這樣一來大模型就能輕松分辨出每個任務(wù)指令，還能提高每個任務(wù)的學(xué)習(xí)效率。

訓(xùn)練主要分為三個階段：預(yù)訓(xùn)練——多任務(wù)訓(xùn)練——多模式指令調(diào)整。

最終，MiniGPT-v2 在許多視覺問題解答和視覺接地基準(zhǔn)測試中，成績都優(yōu)于其他視覺語言通用模型。

最終這個模型可以完成多種視覺任務(wù)，比如目標(biāo)對象描述、視覺定位、圖像說明、視覺問題解答以及從給定的輸入文本中直接解析圖片對象。

感興趣的朋友，可戳下方Demo鏈接體驗：

https://minigpt-v2.github.io/
https://huggingface.co/spaces/Vision-CAIR/MiniGPT-v2

論文鏈接：https://arxiv.org/abs/2310.09478

GitHub鏈接：https://github.com/Vision-CAIR/MiniGPT-4