Florence 2 Base Ft

🚀 Florence-2: 様々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、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。シンプル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。

🚀 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。

モデルの概要

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、シンプル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。このモデルは、1億2600万枚の画像にわたる54億個の注釈を含む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トゥシーケンスアーキテクチャにより、ゼロショット設定とファインチューニング設定の両方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

モデルの使用方法

以下のコードを使用して、モデルを開始します。

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

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

💻 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-base-ft", trust_remote_code=True)
processor = AutoProcessor.from_pretrained("microsoft/Florence-2-base-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)

高度な使用法

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

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

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)

📚 詳細ドキュメント

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、トレーニング段階で評価タスクのトレーニング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を比較しています。

Florence-2のファインチューニング性能

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、様々なキャプショニングと視覚的質問応答（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。

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。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。