Florence 2 Large

🚀 Florence-2: 様々なビジョンタスクの統一表現を進化させる

Florence-2は、プロンプトベースのアプローチを用いて、幅広いビジョンおよびビジョン言語タスクを扱う高度なビジョン基礎モデルです。このモデルは、シンプルなテキストプロンプトを解釈して、キャプション生成、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

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。

以下のコードを使用して、モデルを使い始めましょう。

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

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

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)

✨ 主な機能

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。このモデルは、シンプルなテキストプロンプトを解釈して、キャプション生成、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。また、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-to-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の推論と可視化のためのJupyter Notebook

💻 使用例

基本的な使用法

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

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

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

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

model = AutoModelForCausalLM.from_pretrained("microsoft/Florence-2-large", trust_remote_code=True)
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")
    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、画像キャプション生成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、様々なキャプション生成と視覚的質問応答（VQA）タスクにおける、専用モデルと汎用モデル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。

📄 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。

🔧 技術詳細

@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}
}