Florence 2 Base Gpt4 Captioner V1

🚀 画像キャプショナーモデル

このモデルは、GPT4-Oスタイルのキャプションを生成するために、microsoft/Florence-2-base-ftをファインチューニングしたものです。画像からテキストを生成するタスクに特化しています。

🚀 クイックスタート

モデルの使用方法

このモデルは、GPT4-Oスタイルのキャプションを生成するために使用できます。

使用範囲外の注意点

• コンテキスト長が1024であるため、長文の説明を生成しない場合があります。
• コンテキスト長を増やすために線形スケーリングが適用されていますが、その効果は測定されていません！

モデルの始め方

# ファインチューニング済みモデルとプロセッサーを読み込む
import torch
from transformers import AutoModelForCausalLM, AutoProcessor
from PIL import Image

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
repo_name = "Vimax97/Florence-2-base-gpt4_captioner_v1" 
model = AutoModelForCausalLM.from_pretrained(repo_name, trust_remote_code=True).to(device)
processor = AutoProcessor.from_pretrained(repo_name, trust_remote_code=True)

# 推論
image = Image.open("<path_to_image>")
prompt = "<ImageCAP>" + 'What is the <GPT4> style description for this image?'

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

generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024,
    do_sample=False,
    num_beams=3
)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
parsed_answer = processor.post_process_generation(generated_text, task=prompt, image_size=(image.width, image.height))

print("Generated: ",parsed_answer[prompt])

学習ハイパーパラメータ

• 学習方式: fp32精度、1000枚の画像を使用し、1エポックのファインチューニング

📄 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。