Uground V1 2B

🚀 UGround-V1-2B （基於Qwen2-VL）

UGround是一個強大的GUI視覺定位模型，採用簡單的方法進行訓練。更多詳情請查看我們的主頁和論文。這項工作是OSUNLP和Orby AI合作完成的。

• 主頁：https://osu-nlp-group.github.io/UGround/
• 倉庫：https://github.com/OSU-NLP-Group/UGround
• 論文（ICLR'25口頭報告）：https://arxiv.org/abs/2410.05243
• 演示：https://huggingface.co/spaces/orby-osu/UGround
• 聯繫人：苟博宇

✨ 主要特性

• UGround是一個強大的GUI視覺定位模型，使用簡單的訓練方法。
• 與OSUNLP和Orby AI合作完成。
• 提供了模型、主頁、倉庫、論文、演示等相關資源。

📦 安裝指南

文檔中未提及安裝步驟，故跳過此章節。

💻 使用示例

推理示例

vLLM服務器

vllm serve osunlp/UGround-V1-7B  --api-key token-abc123 --dtype float16

或者

python -m vllm.entrypoints.openai.api_server --served-model-name osunlp/UGround-V1-7B --model osunlp/UGround-V1-7B --dtype float16 

你可以在Qwen2-VL的官方倉庫中找到更多關於訓練和推理的說明。

視覺定位提示

def format_openai_template(description: str, base64_image):
    return [
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {"url": f"data:image/jpeg;base64,{base64_image}"},
                },
                {
                    "type": "text",
                    "text": f"""
  Your task is to help the user identify the precise coordinates (x, y) of a specific area/element/object on the screen based on a description.

  - Your response should aim to point to the center or a representative point within the described area/element/object as accurately as possible.
  - If the description is unclear or ambiguous, infer the most relevant area or element based on its likely context or purpose.
  - Your answer should be a single string (x, y) corresponding to the point of the interest.

  Description: {description}

  Answer:"""
                },
            ],
        },
    ]

messages = format_openai_template(description, base64_image)

completion = await client.chat.completions.create(
    model=args.model_path,
    messages=messages,
    temperature=0  # REMEMBER to set temperature to ZERO!
# REMEMBER to set temperature to ZERO!
# REMEMBER to set temperature to ZERO!
)

# The output will be in the range of [0,1000), which is compatible with the original Qwen2-VL
# So the actual coordinates should be (x/1000*width, y/1000*height)

Qwen2-VL-2B-Instruct使用示例

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# default: Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2-VL-2B-Instruct", torch_dtype="auto", device_map="auto"
)

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen2VLForConditionalGeneration.from_pretrained(
#     "Qwen/Qwen2-VL-2B-Instruct",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# default processer
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-2B-Instruct")

# The default range for the number of visual tokens per image in the model is 4-16384. You can set min_pixels and max_pixels according to your needs, such as a token count range of 256-1280, to balance speed and memory usage.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-2B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

from PIL import Image
import requests
import torch
from torchvision import io
from typing import Dict
from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor

# Load the model in half-precision on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2-VL-2B-Instruct", torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-2B-Instruct")

# Image
url = "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg"
image = Image.open(requests.get(url, stream=True).raw)

conversation = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]


# Preprocess the inputs
text_prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
# Excepted output: '<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\n<|vision_start|><|image_pad|><|vision_end|>Describe this image.<|im_end|>\n<|im_start|>assistant\n'

inputs = processor(
    text=[text_prompt], images=[image], padding=True, return_tensors="pt"
)
inputs = inputs.to("cuda")

# Inference: Generation

📚 詳細文檔

模型信息

• Model-V1：
  • 初始UGround
  • UGround-V1-2B (Qwen2-VL)
  • UGround-V1-7B (Qwen2-VL)
  • UGround-V1-72B (Qwen2-VL)
  • 訓練數據

發佈計劃

• 模型權重：
  • [x] 初始版本（論文中使用的版本）
  • [x] 基於Qwen2-VL的V1版本（2B、7B、72B）
• 代碼：
  • [x] UGround的推理代碼（初始版本和基於Qwen2-VL的版本）
  • [x] 離線實驗（代碼、結果和有用資源）
    • [x] ScreenSpot
    • [x] Multimodal-Mind2Web
    • [x] OmniAct
    • [x] Android Control
  • [x] 在線實驗
    • [x] Mind2Web-Live-SeeAct-V
    • [x] AndroidWorld-SeeAct-V
  • [ ] 數據合成管道（即將推出）
• 訓練數據（V1）：https://huggingface.co/datasets/osunlp/UGround-V1-Data
• 在線演示（HF Spaces）

主要結果

GUI視覺定位：ScreenSpot（標準設置）

GUI視覺定位：ScreenSpot（代理設置）

Qwen2-VL-2B-Instruct介紹

新特性

• 對各種分辨率和比例圖像的最優理解：Qwen2-VL在視覺理解基準測試中取得了最先進的性能，包括MathVista、DocVQA、RealWorldQA、MTVQA等。
• 理解20分鐘以上的視頻：Qwen2-VL可以理解超過20分鐘的視頻，用於高質量的基於視頻的問答、對話、內容創作等。
• 可操作移動設備、機器人等的代理：具有複雜推理和決策能力，Qwen2-VL可以與手機、機器人等設備集成，根據視覺環境和文本指令進行自動操作。
• 多語言支持：為了服務全球用戶，除了英語和中文，Qwen2-VL現在支持理解圖像中不同語言的文本，包括大多數歐洲語言、日語、韓語、阿拉伯語、越南語等。

模型架構更新

• 樸素動態分辨率：與以前不同，Qwen2-VL可以處理任意圖像分辨率，將其映射到動態數量的視覺標記，提供更像人類的視覺處理體驗。

我們有三個參數分別為20億、70億和720億的模型。此倉庫包含經過指令微調的2B Qwen2-VL模型。更多信息，請訪問我們的博客和GitHub。

評估

圖像基準測試

視頻基準測試

要求

Qwen2-VL的代碼已包含在最新的Hugging face transformers中，我們建議你使用以下命令從源代碼構建：

pip install git+https://github.com/huggingface/transformers

否則，你可能會遇到以下錯誤：

KeyError: 'qwen2_vl'

快速開始

我們提供了一個工具包，幫助你更方便地處理各種類型的視覺輸入，包括base64編碼、URL和交錯的圖像和視頻。你可以使用以下命令安裝：

pip install qwen-vl-utils

🔧 技術細節

文檔中未提及技術細節相關內容，故跳過此章節。

📄 許可證

本項目採用Apache-2.0許可證。

📚 引用信息

如果你發現這項工作有用，請考慮引用我們的論文：

@article{gou2024uground,
        title={Navigating the Digital World as Humans Do: Universal Visual Grounding for GUI Agents},
        author={Boyu Gou and Ruohan Wang and Boyuan Zheng and Yanan Xie and Cheng Chang and Yiheng Shu and Huan Sun and Yu Su},
        journal={arXiv preprint arXiv:2410.05243},
        year={2024},
        url={https://arxiv.org/abs/2410.05243},
      }

@article{zheng2023seeact,
        title={GPT-4V(ision) is a Generalist Web Agent, if Grounded},
        author={Boyuan Zheng and Boyu Gou and Jihyung Kil and Huan Sun and Yu Su},
        journal={arXiv preprint arXiv:2401.01614},
        year={2024},
      }