VLM-Grounder

零样本 3D 定位，用自然语言直接找到目标物体

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署 开源模型 🍴 复刻 4 🐛 待处理 3 👀 关注 2
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 133
维护状态 低维护
是否开源 开源
定价模式 🏷️完全免费 开源项目，代码公开，可自行部署使用，无收费计划。

项目预览

VLM-Grounder 项目界面预览图
图片来源：GitHub 官方仓库名片

项目数据

分类开源模型
开发团队InternRobotics
官网地址https://runsenxu.com/projects/VLM-Grounder
GitHubhttps://github.com/InternRobotics/VLM-Grounder
定价模式🏷️完全免费
价格说明开源项目，代码公开，可自行部署使用，无收费计划。
访问状态🔧 仅开源项目，无在线服务，需自行部署
是否开源是
主要语言Python
技术栈/模型3d-scene-understanding,agent,gpt-4o,large-language-models,robotics,vision-and-language,visual-grounding,vlm,vlm-grounder
GitHub 星标★ 133
上线时间2024-10-17 00:00:00
代码更新2025-05-22
仓库体积9.1 MB
本站数据更新2026-11-10
维护状态低维护
收录时间2026-08-09
浏览次数3

项目介绍

VLM-Grounder 是一个面向零样本 3D 视觉定位的智能体框架，基于视觉语言模型（VLM）实现。它解决了传统 3D 视觉定位依赖大量标注数据和预训练检测器的问题，能够在无需额外训练的情况下，通过自然语言描述在 3D 场景中定位目标物体。核心能力包括：利用 VLM 的开放世界理解能力，将 2D 视觉信息与 3D 场景几何结合，通过多视角推理和空间关系分析，逐步缩小搜索范围并输出目标物体的 3D 边界框。该框架采用模块化设计，支持多种 VLM 后端，并提供了与 3D 场景数据集（如 ScanNet）的交互接口。其创新点在于将大语言模型的推理能力扩展到 3D 空间理解，为机器人导航、增强现实等应用提供零样本定位解决方案。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 133

核心亮点

  • 无需训练，直接利用预训练 VLM 完成 3D 定位，节省标注成本
  • 结合 2D 视觉与 3D 几何，通过多视角推理提升定位精度
  • 模块化设计，易于替换不同 VLM 或扩展新场景

不足之处

  • 依赖 VLM 的 2D 理解能力，在复杂遮挡或稀疏场景下可能失效
  • 文档/社区待观察

适用场景

  • 机器人抓取与操作：根据语言指令定位桌面或环境中的目标物体
  • 增强现实导航：在室内场景中通过语音或文字指引用户找到物品
  • 智能监控与搜索：在 3D 重建场景中快速定位特定对象

替代项目

3D-VisTA、ScanRefer、ReferIt3D

上一篇：DriveLM

下一篇：YoChameleon

同类项目推荐

DriveLM 开源

用图问答让自动驾驶学会推理和解释

[ECCV 2024 Oral] DriveLM: Driving with Graph Visual Question Answering

★ 1352 2026-08-09
ANTs 开源

医学图像精准配准与分割，助力神经影像分析

Advanced Normalization Tools (ANTs)

★ 1512 2026-08-10
openMVG 开源

多张照片一键算出相机位姿与三维点云

open Multiple View Geometry library. Basis for 3D computer vision and Structure from···

★ 6593 2026-09-18
sahi 开源

大图切片推理，小目标检测不漏，精度提升显存降

Framework agnostic sliced/tiled inference + interactive ui + error analysis plots

★ 5593 2026-08-10
RCS-YOLO 开源

给 YOLO 加注意力模块，脑肿瘤检测又快又准

[MICCAI'23] Official implementation of "RCS-YOLO: A Fast and High-Accuracy Object De···

★ 102 2026-10-14
pyxu 开源

模块化计算成像框架，轻松实现GPU加速与大规模数据处理

Modular and scalable computational imaging in Python with GPU/out-of-core computing.

★ 142 2026-08-09
GeoPixel 开源

让多模态大模型精准定位遥感图像中的每个目标像素

GeoPixel: A Pixel Grounding Large Multimodal Model for Remote Sensing is specificall···

★ 157 2026-08-09
tess4j 开源

Java 项目一行依赖，图片秒变可编辑文字

Java JNA wrapper for Tesseract OCR API

★ 1755 2026-11-10
awesome-ocr-resources 开源

OCR 论文与数据集一站清单，省去到处搜资料

A collection of resources (including the papers and datasets) of OCR (Optical Charac···

★ 442 2026-09-19