Florence 2 Large No Flash Attn

🚀 Florence-2 (without flash-attn): 様々なビジョンタスクの統一表現を進化させる

⚠️ これはFlorence 2の修正版で、カスタムのmodeling_florence2.pyファイルを変更して、flash-attnパッケージのインストールを不要にしています（flash-attnメソッドを乗っ取り、通常のアテンションに置き換えることで）。ただし、パフォーマンスに影響を与える可能性があります。

🚀 クイックスタート

このHubリポジトリには、MicrosoftのFlorence-2モデルのHuggingFaceのtransformers実装が含まれています。

Florence-2は、プロンプトベースのアプローチを使用して、幅広いビジョンおよびビジョン言語タスクを処理する高度なビジョン基礎モデルです。Florence-2は、単純なテキストプロンプトを解釈して、キャプション付け、物体検出、セグメンテーションなどのタスクを実行できます。このモデルは、1億2600万枚の画像にわたる54億個のアノテーションを含むFLD-5Bデータセットを活用して、マルチタスク学習を習得しています。モデルのシーケンスツーシーケンスアーキテクチャにより、ゼロショット設定とファインチューニング設定の両方で優れた性能を発揮し、競争力のあるビジョン基礎モデルとなっています。

リソースと技術ドキュメント:

• Florence-2技術レポート
• Florence-2-largeの推論と可視化用のJupyter Notebook

💻 使用例

基本的な使用法

import requests

import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model = AutoModelForCausalLM.from_pretrained("microsoft/Florence-2-large", torch_dtype=torch_dtype, trust_remote_code=True).to(device)
processor = AutoProcessor.from_pretrained("microsoft/Florence-2-large", trust_remote_code=True)

prompt = "<OD>"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(text=prompt, images=image, return_tensors="pt").to(device, torch_dtype)

generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024,
    num_beams=3,
    do_sample=False
)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]

parsed_answer = processor.post_process_generation(generated_text, task="<OD>", image_size=(image.width, image.height))

print(parsed_answer)

高度な使用法

このモデルは、プロンプトを変更することでさまざまなタスクを実行できます。まず、プロンプトを実行する関数を定義しましょう。

import requests

import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model = AutoModelForCausalLM.from_pretrained("microsoft/Florence-2-large", torch_dtype=torch_dtype, trust_remote_code=True).to(device)
processor = AutoProcessor.from_pretrained("microsoft/Florence-2-large", trust_remote_code=True)

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

def run_example(task_prompt, text_input=None):
    if text_input is None:
        prompt = task_prompt
    else:
        prompt = task_prompt + text_input
    inputs = processor(text=prompt, images=image, return_tensors="pt").to(device, torch_dtype)
    generated_ids = model.generate(
      input_ids=inputs["input_ids"],
      pixel_values=inputs["pixel_values"],
      max_new_tokens=1024,
      num_beams=3
    )
    generated_text = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]

    parsed_answer = processor.post_process_generation(generated_text, task=task_prompt, image_size=(image.width, image.height))

    print(parsed_answer)

ここでは、Florence-2が実行できるタスクを示します。

prompt = "<CAPTION>"
run_example(prompt)

prompt = "<DETAILED_CAPTION>"
run_example(prompt)

prompt = "<MORE_DETAILED_CAPTION>"
run_example(prompt)

task_prompt = "<CAPTION_TO_PHRASE_GROUNDING>"
results = run_example(task_prompt, text_input="A green car parked in front of a yellow building.")

prompt = "<OD>"
run_example(prompt)

prompt = "<DENSE_REGION_CAPTION>"
run_example(prompt)

prompt = "<REGION_PROPOSAL>"
run_example(prompt)

prompt = "<OCR>"
run_example(prompt)

prompt = "<OCR_WITH_REGION>"
run_example(prompt)

📚 ドキュメント

Florence-2のゼロショット性能

次の表は、画像キャプション付けと物体検出の評価タスクにおける一般的なビジョン基礎モデルのゼロショット性能を示しています。これらのモデルは、学習段階で評価タスクの学習データに触れていません。

次の表は、他のビジョン言語評価タスクでの性能比較を続けています。

Florence-2のファインチューニング性能

私たちは、Florence-2モデルを一連の下流タスクでファインチューニングし、幅広い下流タスクを実行できる2つの汎用モデルFlorence-2-base-ftとFlorence-2-large-ftを作成しました。

次の表は、専用モデルと汎用モデルのさまざまなキャプション付けとビジュアル質問応答（VQA）タスクでの性能を比較しています。専用モデルは各タスクに特化してファインチューニングされており、汎用モデルはすべてのタスクに対してタスク非依存的にファインチューニングされています。記号 "▲" は、外部OCRを入力として使用していることを示しています。

BibTexと引用情報

@article{xiao2023florence,
  title={Florence-2: Advancing a unified representation for a variety of vision tasks},
  author={Xiao, Bin and Wu, Haiping and Xu, Weijian and Dai, Xiyang and Hu, Houdong and Lu, Yumao and Z

📄 ライセンス

このモデルはMITライセンスの下で提供されています。詳細については、ライセンスファイルを参照してください。