Cogflorence 2.1 Large

🚀 microsoft/Florence-2-large を Ejafa/ye-pop で微調整し、CogVLM2 でキャプション付け

このリポジトリには、microsoft/Florence-2-large モデルの微調整版が含まれています。このモデルは、Ejafa/ye-pop データセットの40,000枚の画像サブセットで微調整されており、キャプションは THUDM/cogvlm2-llama3-chat-19B を使用して生成されています。

🚀 クイックスタート

このモデルを使用するには、Hugging Face Model Hub から直接読み込むことができます。

from transformers import AutoModelForCausalLM, AutoProcessor, AutoConfig
import torch
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = AutoModelForCausalLM.from_pretrained("thwri/CogFlorence-2.1-Large", trust_remote_code=True).to(device).eval()
processor = AutoProcessor.from_pretrained("thwri/CogFlorence-2.1-Large", trust_remote_code=True)
# Function to run the model on an example
def run_example(task_prompt, image):
    prompt = task_prompt
    # Ensure the image is in RGB mode
    if image.mode != "RGB":
        image = image.convert("RGB")
    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,
        num_beams=3,
        do_sample=True
    )
    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))
    return parsed_answer
from PIL import Image
import requests
import copy
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)
result = run_example("<MORE_DETAILED_CAPTION>" , image)
print(result)
# {'<MORE_DETAILED_CAPTION>': 'A vivid, close-up photograph of a classic car, specifically a Volkswagen Beetle, parked on a cobblestone street. The car is painted in a striking shade of turquoise, with a glossy finish that reflects the surrounding environment. The vehicle's rounded shape is accentuated by its rounded tires and chrome detailing. The background reveals a weathered yellow wall with a rustic wooden door, adding to the rustic charm of the scene. The sky above is clear, suggesting a sunny day. The overall style of the image is candid, capturing a moment in time without any posed or staged elements.'}

✨ 主な機能

• このモデルは、画像に対するキャプション生成能力を向上させるために、Ejafa/ye-pop データセットで微調整されています。
• キャプションの生成には THUDM/cogvlm2-llama3-chat-19B を使用しています。

🔧 技術詳細

学習の詳細

• ビジョンエンコーダ：学習中、ビジョンエンコーダは凍結されました。
• バッチサイズ：64
• 勾配累積ステップ：16
• 学習率：5.12e-05
• オプティマイザ：AdamW
• スケジューラ：polynomial
• エポック数：7.37

データセット

微調整には、Ejafa/ye-pop データセットから40,000枚の画像サブセットが使用されました。このデータセットには様々な主題の画像が含まれており、モデルのキャプション生成能力を向上させるための堅牢な学習環境を提供します。

キャプション生成

キャプションは THUDM/cogvlm2-llama3-chat-19B を使用して生成されました。

📄 ライセンス

このプロジェクトは MIT ライセンスの下で提供されています。