Cogflorence 2.2 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-2.2-Large", trust_remote_code=True).to(device).eval()
processor = AutoProcessor.from_pretrained("thwri/CogFlorence-2.2-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 portrayal of a classic Volkswagen Beetle parked on a cobblestone street. The car is painted a vibrant turquoise, contrasting with the muted yellow of the building behind it. The building has two wooden doors, one with a white frame and the other with a dark brown finish. The sky is clear, and the sun casts a warm glow on the scene, highlighting the car's details. The image evokes a nostalgic and nostalgic mood, capturing a moment in time without posed elements.'}

✨ 主な機能

• このモデルは、画像から詳細なキャプションを生成する能力があります。
• 微調整に使用されたデータセットにより、様々な画像に対応できる汎用性が向上しています。

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のコマンドを使用して、transformers ライブラリをインストールできます。

pip install transformers torch

📚 ドキュメント

学習詳細

• ビジョンエンコーダ：学習中はビジョンエンコーダを凍結しました。
• 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：8.36

データセット

微調整には、Ejafa/ye-pop データセットの40,000枚の画像サブセットを使用しました。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固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、その後 google/gemma-2-9b で後処理されて曖昧さが取り除かれました。

🔧 技術詳細

• モデルの微調整には、transformers ライブラリを使用しています。
• 学習中は、ビジョンエンコーダを凍結し、言語モデル部分のみを学習させています。

📄 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。