Florence 2 Large Ft

🚀 Florence-2: 多様なビジョンタスクの統一表現を進化させる

このモデルは、多様なビジョンとビジョン言語タスクをプロンプトベースのアプローチで扱う高度なビジョン基礎モデルです。簡単なテキストプロンプトを解釈し、キャプショニング、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。

🚀 クイックスタート

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。

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

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

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)

✨ 主な機能

モデル概要

これは、Microsoftのモデルにいくつかの修正を加えたものです。修正のPRは元のモデルでオープンされていますが、マージされるまでこのモデルを使用してすべてを正しくセットアップしています。

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、高度なビジョン基礎モデルで、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します。Florence-2は、簡単なテキストプロンプトを解釈して、キャプショニング、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。これは、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データセットを利用して、マルチタスク学習を習得します。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、ゼロショットとファインチューニングの両方の設定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モデルの推論と可視化のためのJupyter Notebook

タスク

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

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

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

これが、Florence-2が実行できるタスクです。

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、画像キャプショニング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ニングおよび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いますが、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。

🔧 技術詳細

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 Zeng, Michael and Liu, Ce and Yuan, Lu},
  journal={arXiv preprint arXiv:2311.06242},
  year={2023}
}

📄 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。