Florence 2 Large Ft Fix

🚀 Florence-2: 様々なビジョンタスクに対する統一表現の進化

このプロジェクトは、MicrosoftのFlorence-2モデルを用いた、多様なビジョンタスクを扱うための統一表現を提供します。Florence-2は、プロンプトベースのアプローチを用いて、キャプショニングや物体検出、セグメンテーションなどの幅広いビジョンおよびビジョン言語タスクを扱うことができます。

🚀 クイックスタート

このセクションでは、Florence-2モデルを使い始めるための基本的な手順を説明します。

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

Florence-2は、以下のような主な機能を備えています。

• 多様なビジョンタスク対応：キャプショニング、物体検出、セグメンテーションなど、幅広いビジョンタスクを扱うことができます。
• プロンプトベースのアプローチ：簡単なテキストプロンプトを解釈して、タスクを実行することができます。
• 多タスク学習：FLD-5Bデータセットを利用して、多タスク学習を行うことができます。
• ゼロショットとファインチューニング：シーケンストゥ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ます。

📚 ドキュメント

モデル概要

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、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。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することができます。このモデルは、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、多タスク学習を行います。モデルのシーケンストゥ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

モデル情報

モデル一覧

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することができます。

まず、プロンプトを実行する関数を定義します。

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)

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)

以下は、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)

ベンチマーク

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汎用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、訓練段階で評価タスクの訓練データにさらされていません。

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。

以下の表は、様々なキャプショニングとビジュアル質問応答（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。

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

このプロジェクトは、MITライセンスの下で公開されています。