Florence 2 DocLayNet Fixed

🚀 Florence-2-DocLayNet-Fixed

Florence-2-large-ftモデルをDocLayNet-v1.1データセットでファインチューニングした画像テキスト生成モデルです。モデルの出力精度向上と推論速度の改善を目的としています。

🚀 クイックスタート

このモデルは、Florence-2-large-ftモデルをDocLayNet-v1.1データセットでファインチューニングしたものです。以下のコードを使用して、モデルを始めることができます。

非CUDA環境の場合は、このポスト https://huggingface.co/microsoft/Florence-2-base/discussions/4 を参照して、簡単なパッチを適用してください。

基本的な使用法

import requests
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 
model = AutoModelForCausalLM.from_pretrained("yifeihu/Florence-2-DocLayNet-Fixed", trust_remote_code=True)
processor = AutoProcessor.from_pretrained("yifeihu/Florence-2-DocLayNet-Fixed", trust_remote_code=True)
prompt = "<OD>"
url = "https://huggingface.co/yifeihu/TF-ID-base/resolve/main/arxiv_2305_10853_5.png?download=true"
image = Image.open(requests.get(url, stream=True).raw)
inputs = processor(text=prompt, images=image, return_tensors="pt")
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="<OD>", image_size=(image.width, image.height))
print(parsed_answer)

結果を視覚化するには、このチュートリアルノートブック https://colab.research.google.com/github/roboflow-ai/notebooks/blob/main/notebooks/how-to-finetune-florence-2-on-detection-dataset.ipynb を参照してください。

✨ 主な機能

モデルのファインチューニング

Florence-2-large-ftモデルをDocLayNet-v1.1データセットでファインチューニングしました。モデルが幻覚的なクラス名を生成するのを防ぐために、すべてのクラス名を単一のトークンに再マッピングしました。

クラス名の再マッピング

この簡単な変更により、DocLayNetテストセットでのmAP50 - 95スコアが7%向上しました。また、クラス名で使用されるトークンが少なくなったため、学習と推論も高速化されました。

モデルの性能

mAP50 - 95スコアから見ると、このモデルはDocLayNetテストセットでのSOTA（最先端技術）からはまだ遠いです（70%）。はるかに小さいYoloモデル（github.com/ppaanngggg/yolo-doclaynet）は、はるかに良いベンチマーク結果（~79%）を示しています。ただし、科学論文のサブセットでは、このモデルはmAP50 - 95の点で最良のYoloモデルと同等の性能を発揮しました（87%）。

ただし、定性的な分析を行ったところ（論文は近日公開予定）、Florence-2はきれいなエッジのバウンディングボックスを描画するのにはるかに優れていることがわかりました。Yoloモデルは時々、テキストを途中で切断したり、同じオブジェクトに複数のバウンディングボックスを描画したりすることがあります。これらの動作はmAP50 - 95では大きく反映されませんが、実際のユースケースでは扱いにくいものです。mAPスコアを計算する際には、Florence-2のすべての出力に対して信頼度スコアを手動で1に設定する必要がありました。

📄 ライセンス

このモデルはApache-2.0ライセンスの下で公開されています。

📚 ドキュメント

BibTexと引用情報

@misc{TF-ID,
  author = {Yifei Hu},
  title = {TF-ID: Table/Figure IDentifier for academic papers},
  year = {2024},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/ai8hyf/TF-ID}},
}

@article{doclaynet2022,
  title = {DocLayNet: A Large Human-Annotated Dataset for Document-Layout Analysis},  
  doi = {10.1145/3534678.353904},
  url = {https://arxiv.org/abs/2206.01062},
  author = {Pfitzmann, Birgit and Auer, Christoph and Dolfi, Michele and Nassar, Ahmed S and Staar, Peter W J},
  year = {2022}
}