[Bug] InternVL3做目标检测，坐标漂移

[deepblacksky]

InternVL3做目标检测，返回的坐标不是原图的坐标，偏移很大, 14B 8B都是一样的结果

图片

prompt: "你是一个高级视觉分析模型，请严格按照步骤执行：

1. 检测图像中所有人物，生成每个人的边界框坐标（格式：x1,y1,x2,y2，基于像素值）。
2. 输出严格的JSON格式，包含以下字段： { "persons": [ { "bbox": [x1, y1, x2, y2] }, ... ] } "

输出 { "persons": [ { "bbox": [155, 180, 440, 700] } ] }

[zliucz]

Documents 有说，grounding的output是相对坐标。

def normalize_coordinates(box, image_width, image_height):
    x1, y1, x2, y2 = box
    normalized_box = [
        round((x1 / image_width) * 1000),
        round((y1 / image_height) * 1000),
        round((x2 / image_width) * 1000),
        round((y2 / image_height) * 1000)
    ]
    return normalized_box

[lilyzhng]

@zliucz After normalization, the bboxes are still very off, I wonder if this is a model issue

[ZanePoe]

我这边测试一样，grounding 结果一塌糊涂，官方也没有任何用lmdeploy api 推理的 ，能够复现grounding的代码

[Xx46883339]

我看起來像是給你模型輸入的bbox位置 要不嘗試看看請他輸出normalize後的結果 或是把你的圖片reaize看看 import cv2

image_path = "437349580-75fdd40f-0cdc-46ac-81eb-74a24d22d873.png"

img = cv2.imread(image_path) img = cv2.resize(img,(1024,1024)) cv2.rectangle(img, (155, 180), (440, 700), (0, 0, 255), 2) cv2.imshow("img",img) cv2.waitKey()

[Lwen1243]

same problem

[hwang136]

cogVLM grounds far better than InternVL does. https://huggingface.co/zai-org/cogvlm-grounding-generalist-hf