InternGPT｜语言驱动视觉交互系统-openAI维基百科

通过自然语言驱动驱动视觉图像交互系统

InternGPT（简称 iGPT） / InternChat（简称 iChat） 是一种基于指向语言驱动的视觉交互系统，允许您使用指向设备通过点击、拖动和绘制与 ChatGPT 进行互动。internGPT 的名称代表了 interaction（交互）、nonverbal（非语言）和 ChatGPT。与依赖纯语言的现有交互系统不同，通过整合指向指令，iGPT 显著提高了用户与聊天机器人之间的沟通效率，以及聊天机器人在视觉为中心任务中的准确性，特别是在复杂的视觉场景中。此外，在 iGPT 中，采用辅助控制机制来提高 LLM 的控制能力，并对一个大型视觉-语言模型 Husky 进行微调，以实现高质量的多模态对话（在ChatGPT-3.5-turbo评测中达到 93.89% GPT-4 质量）。

在线体验

InternGPT：https://igpt.opengvlab.com

注意：可能会出现排队等待较长时间，建议自行本地部署。

官方仓库

GitHub：OpenGVLab/InternGPT

更新日志

  • 2023.05.24
    • 支持DragGAN！
      • 点击 New Image 按钮；
      • 点击图片，其中蓝色表示起点，红色表示终点；
      • 注意蓝色点的个数要和红色点的个数相同。然后你可以点击 Drag It 按钮；
      • 处理完成后，你会收到一张编辑后的图片和一个展示编辑过程的视频。
  • 2023.05.18
    • 已支持ImageBind！
      • 从单个音频生成新的图片，你可以发送如下消息："generate a real image from this audio";
      • 从音频和文本生成新的图片，你可以发送如下消息："generate a real image from this audio and {your prompt}";
      • 从音频和图片生成新的图片，你需要再上传一个图片，然后发送如下消息："generate a new image from above image and audio";
  • 2023.15.15
    • model_zoo 已经公开，里面包含了HuskyVQA! 赶紧在你自己的机器上部署试试吧!
  • 2023.15.15
    • 我们的代码在 Hugging Face也同步更新! 你可以复制一份仓库，然后使用自己的GPU运行demo。

主要功能使用：

在图片上传成功后, 您可以发送如下消息与iGPT进行多模态相关的对话："what is it in the image?" or "what is the background color of image?".

您同样也可以交互式地操作、编辑或者生成图片，具体如下：

  • 点击图片上的任意位置，然后按下 Pick 按钮，预览分割区域。您也可以按下 OCR 按钮，识别具体位置处存在的所有单词；
  • 要在图像中 删除掩码区域，您可以发送如下消息：“remove the masked region”；
  • 要在图像中 替换掩码区域的物体为其他物体，您可以发送如下消息：“replace the masked region with {your prompt}”；
  • 想 生成新图像，您可以发送如下消息：“generate a new image based on its segmentation describing {your prompt}”；
  • 想通过 涂鸦创建新图像，您应该按下 Whiteboard 按钮并在白板上绘制。绘制完成后，您需要按下 保存 按钮并发送如下消息：“generate a new image based on this scribble describing {your prompt}”。

视频Demo

DragGAN

iGPT + ImageBind

iGPT

项目规划

  • 支持中文
  • 支持 MOSS
  • 基于 InternImage 和 InternVideo 的更强大的基础模型
  • 更准确的交互体验
  • OpenMMLab Toolkit
  • 网页 & 代码生成
  • 支持搜索引擎
  • 低成本部署
  • 支持 DragGAN
  • 支持 ImageBind
  • Agent响应验证
  • 提示词优化
  • 用户手册和视频demo
  • 支持语音助手
  • 支持点击交互
  • 交互式图像编辑
  • 交互式图像生成
  • 交互式视觉问答
  • Segment Anything模型
  • 图像修复
  • 图像描述
  • 图像抠图
  • 光学字符识别（OCR）
  • 动作识别
  • 视频描述
  • 视频密集描述
  • 视频高光时刻截取

系统概览

InternGPT｜语言驱动视觉交互系统-openAI维基百科

主要功能

移除遮盖的对象

InternGPT｜语言驱动视觉交互系统-openAI维基百科

交互式图像编辑

InternGPT｜语言驱动视觉交互系统-openAI维基百科

图像生成

InternGPT｜语言驱动视觉交互系统-openAI维基百科

交互式视觉问答

InternGPT｜语言驱动视觉交互系统-openAI维基百科

交互式图像生成

InternGPT｜语言驱动视觉交互系统-openAI维基百科

视频高光解说

InternGPT｜语言驱动视觉交互系统-openAI维基百科

安装教程

基本要求

  • Linux
  • Python 3.8+
  • PyTorch 1.12+
  • CUDA 11.6+
  • GCC & G++ 5.4+
  • GPU Memory > 17G 用于加载基本工具 (HuskyVQA, SegmentAnything, ImageOCRRecognition)

相关软件

在执行项目安装之前，我们还需要安装Git和Conda，如果您的电脑还未安装这两个软件，请先根据本站所给出的教程安装。

Linux系统安装Git请参阅此文章：

Git｜Linux安装教程

Linux系统安装Conda请参阅此文章：

Anaconda｜Miniconda｜Linux安装教程

项目搭建

唉，站长的祖传2080TI越来越感觉到乏力了，GPT根本达不到17GB的水平，争取618的时候买个4090玩玩吧。

因为本站的GPU显存不满足，所以以下教程都是逻辑上可行的，并未进行运行测试，仅搭建过程可行。

我们先在终端内执行如下命令，将InternGPT的项目文件拉取至本地。

git clone https://github.com/OpenGVLab/InternGPT.git

执行如下命令，进入到InternGPT的项目目录：

cd InternGPT

执行如下命令，通过Conda创建一个名为InternGPT的Python环境：

conda create --name InternGPT -y

执行如下命令，激活Conda中的InternGPT环境：

conda activate InternGPT

执行如下命令，在Conda中安装PIP：

sudo apt install python3-pip

此时会要求我们输入用户密码，我们输入密码之后，将会开始Conda中Python的环境安装，以下是安装详情。

(base) openai-wiki@openai-wiki:~/InternGPT$ sudo apt install python3-pip
[sudo] openai-wiki 的密码：
正在读取软件包列表... 完成
正在分析软件包的依赖关系树... 完成
正在读取状态信息... 完成                 
将会同时安装下列软件：
  binutils binutils-common binutils-x86-64-linux-gnu build-essential dpkg-dev
  fakeroot g++ g++-12 gcc gcc-12 javascript-common libalgorithm-diff-perl
  libalgorithm-diff-xs-perl libalgorithm-merge-perl libasan8 libbinutils
  libc-dev-bin libc-devtools libc6-dev libcc1-0 libcrypt-dev libctf-nobfd0
  libctf0 libdpkg-perl libexpat1-dev libfakeroot libfile-fcntllock-perl
  libgcc-12-dev libgprofng0 libitm1 libjs-jquery libjs-sphinxdoc
  libjs-underscore liblsan0 libnsl-dev libpython3-dev libpython3.11-dev
  libquadmath0 libstdc++-12-dev libtirpc-dev libtsan2 libubsan1 linux-libc-dev
  lto-disabled-list make manpages-dev python3-dev python3-wheel python3.11-dev
  rpcsvc-proto zlib1g-dev
建议安装：
  binutils-doc debian-keyring g++-multilib g++-12-multilib gcc-12-doc
  gcc-multilib autoconf automake libtool flex bison gcc-doc gcc-12-multilib
  gcc-12-locales apache2 | lighttpd | httpd glibc-doc bzr libstdc++-12-doc
  make-doc
下列【新】软件包将被安装：
  binutils binutils-common binutils-x86-64-linux-gnu build-essential dpkg-dev
  fakeroot g++ g++-12 gcc gcc-12 javascript-common libalgorithm-diff-perl
  libalgorithm-diff-xs-perl libalgorithm-merge-perl libasan8 libbinutils
  libc-dev-bin libc-devtools libc6-dev libcc1-0 libcrypt-dev libctf-nobfd0
  libctf0 libdpkg-perl libexpat1-dev libfakeroot libfile-fcntllock-perl
  libgcc-12-dev libgprofng0 libitm1 libjs-jquery libjs-sphinxdoc
  libjs-underscore liblsan0 libnsl-dev libpython3-dev libpython3.11-dev
  libquadmath0 libstdc++-12-dev libtirpc-dev libtsan2 libubsan1 linux-libc-dev
  lto-disabled-list make manpages-dev python3-dev python3-pip python3-wheel
  python3.11-dev rpcsvc-proto zlib1g-dev
升级了 0 个软件包，新安装了 52 个软件包，要卸载 0 个软件包，有 0 个软件包未被升级。
需要下载 67.3 MB 的归档。
解压缩后会消耗 257 MB 的额外空间。
您希望继续执行吗？ [Y/n]

此时会提醒你是否继续执行安装[Y/n]，我们不需要输入任何内容，直接按下回车键确认即可。

稍等片刻之后，上面的环境应该就已经安装好了。我们此时执行如下命令，安装该项目的相关依赖。

pip install -r requirements.txt

模型下载

在运行demo之前，你需要先将model_zoo下载到本地，然后放进项目的根目录下面。

小彩蛋：HuskyVQA模型也在model_zoo里开源了！经我们测试，HuskyVQA的视觉问答能力达到了业界顶尖水平。

以下两种下载方式二选一即可，推荐使用本站所提供的国内网盘，省时省力。

HuggingFace

https://huggingface.co/spaces/OpenGVLab/InternGPT/tree/main/model_zoo

网盘下载

model_zoo
下载
类型： CKPT 大小： 24.6GB

运行指南

运行以下 shell 可启动一个 gradio 服务：

python -u app.py --load "HuskyVQA_cuda:0,SegmentAnything_cuda:0,ImageOCRRecognition_cuda:0" --port 3456

如果您想启用语音助手，请使用 openssl 生成证书：

mkdir certificate
openssl req -x509 -newkey rsa:4096 -keyout certificate/key.pem -out certificate/cert.pem -sha256 -days 365 -nodes

然后运行：

python -u app.py --load "HuskyVQA_cuda:0,SegmentAnything_cuda:0,ImageOCRRecognition_cuda:0" --port 3456 --https

开源许可

该项目根据Apache 2.0 license发布。