微软研究院出品：让 GPT-4V秒懂屏幕截图，本地部署

项目概述

OmniParser 是微软研究院开发的一个创新项目，旨在增强大型视觉语言模型(如 GPT-4V)在操作图形用户界面(GUI)时的能力。

该项目由微软研究院和微软通用 AI 团队共同开发。

https://microsoft.github.io/OmniParser/

核心问题与解决方案

传统视觉语言模型在处理 GUI 操作时面临两个主要挑战：

1. 难以可靠识别界面中的可交互图标
2. 难以准确理解截图中各元素的语义并将预期操作与屏幕区域关联

OmniParser 通过以下方式解决这些问题：

• 开发了专门的交互式图标检测数据集
• 设计了针对性的模型微调方案
• 提供了结构化的界面元素解析方法

OmniParser 项目包含两个重要的数据集：

1. 可交互图标检测数据集：
   • 包含 67,000 个独特的截图样本
   • 基于 DOM 树标注的边界框标签
   • 来源于 clueweb 数据集中的 100,000 个流行网页 URL
2. 图标描述数据集：
   • 包含 7,000 对图标-描述配对数据
   • 用于微调说明模型

性能优势

OmniParser 在多个基准测试中都展现出优秀表现：

• SeeClick 基准测试
• Mind2Web 基准测试
• AITW 基准测试

特别值得注意的是，仅使用截图输入的 OmniParser 性能超过了需要额外信息的 GPT-4V 基线模型。

OmniParser 可以作为插件与多个视觉语言模型配合使用：

• GPT-4V
• Phi-3.5-V
• Llama-3.2-V

工作流程

OmniParser 的处理流程包括：

1. 输入：
   • 用户任务描述
   • UI 截图
2. 输出：
   • 解析后的截图（包含边界框和数字 ID 标注）
   • 局部语义信息（包含提取的文本和图标描述）

安装、运行

安装

conda create -n "omni" python==3.12
conda activate omni
pip install -r requirements.txt

模型下载:

地址：https://huggingface.co/microsoft/OmniParser

把文件放在weights/目录下

目录结构: weights/icon_detect, weights/icon_caption_florence, weights/icon_caption_blip2.

模型转换：

python weights/convert_safetensor_to_pt.py

运行程序：

python gradio_demo.py