groundingLMM

让AI边聊边精准圈出图像中的每个物体

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 56 🐛 待处理 36 👀 关注 30

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 969

维护状态维护中

是否开源开源

定价模式 🏷️完全免费开源模型，Apache-2.0许可证，可免费使用和部署，无在线服务或付费版本。

项目预览

groundingLMM 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mbzuai-oryx

官网地址https://grounding-anything.com

GitHubhttps://github.com/mbzuai-oryx/groundingLMM

定价模式🏷️完全免费

价格说明开源模型，Apache-2.0许可证，可免费使用和部署，无在线服务或付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型foundation-models,llm-agent,lmm,vision-and-language,vision-language-model

GitHub 星标★ 969

上线时间2023-11-02 00:00:00

代码更新2026-09-05

仓库体积112.7 MB

本站数据更新2026-11-10

维护状态维护中

收录时间2026-08-09

浏览次数2

项目介绍

GLaMM（Grounding Large Multimodal Model）是CVPR 2024提出的首个能够将自然语言响应与对象分割掩码无缝集成的多模态大模型。它解决了传统多模态模型只能生成文本描述、无法在像素级定位或分割所指对象的问题。核心能力包括：像素级视觉定位（Pixel-Level Grounding），即生成文本时同步输出对应物体的分割掩码；多模态对话与分割的联合推理，支持基于图像内容的问答、指代分割和区域描述等任务；以及区域级理解（Region-Level Understanding），可对图像中特定区域进行细粒度分析。该模型通过统一架构将视觉编码器、语言模型和分割解码器结合，在多项基准上取得领先性能。项目提供预训练模型和推理代码，适合需要细粒度视觉理解与交互式分割的研究和应用场景。

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 ★ 969

技术标签

foundation-models llm-agent vision-and-language vision-language-model

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：高级约 60 分钟部署方式：本地 (Py/CUDA) 4 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Linux + NVIDIA GPU + CUDA
Conda
较大磁盘空间（数据集 + 权重）

安装与启动步骤

1建 conda 环境

仓库提供 conda 环境文件，用于训练、评测与 demo，建议严格按它建环境。
```
conda env create -f environment.yml
conda activate glamm
```
2下载数据集

训练与评测所需数据在 docs/datasets.md 里给出下载与目录排布说明。
3下载权重

各能力的预训练 checkpoint 见 docs/model_zoo.md。
4训练或评测

GCG、区域级描述、指代分割分别有对应说明，见 docs/training.md 与 docs/evaluation.md。