Cogflorence 2 Large Freeze

🚀 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38,000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から直接ロードすることができます。

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-Large-Freeze", trust_remote_code=True).to(device).eval()
processor = AutoProcessor.from_pretrained("thwri/CogFlorence-2-Large-Freeze", 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 turquoise volkswagen beetle parked on a cobblestone street in front of a yellow wall with two wooden doors. the car's body is painted in a vibrant shade of teal, with a glossy finish that reflects the sunlight, and the wheels are polished with a silver hubcap. the building behind the car has a weathered, aged appearance, with visible cracks and peeling paint. the sky above is clear and blue, suggesting a sunny day.'}

✨ 主な機能

• このモデルは、画像からテキストを生成するimage-to-textタスクに特化しています。
• Ejafa/ye-popデータセットの一部で微調整されており、様々な画像のキャプション生成能力が向上しています。

🔧 技術詳細

学習詳細

• ビジョンエンコーダー：学習中はビジョンエンコーダーを凍結しました。
• バッチサイズ：32
• 勾配累積ステップ：8
• 学習率：4.2667e-5
• オプティマイザー：AdamW
• スケジューラー：linear
• エポック数：7

データセット

微調整には、Ejafa/ye-popデータセットの38,000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牢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ました。

📄 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。