Florence 2 Large No Flash Attn

🚀 Florence-2 (无Flash注意力机制)：推动多种视觉任务的统一表示

本项目是一个先进的视觉基础模型，采用基于提示的方法来处理广泛的视觉和视觉语言任务。它可以解释简单的文本提示，以执行图像描述、目标检测和分割等任务。

⚠️ 重要提示

这是Florence 2的修改版本，通过修改自定义的 modeling_florence2.py 文件，去除了对 flash-attn 包的安装需求（通过劫持Flash注意力机制方法并替换为常规注意力机制）。这可能会对性能产生影响。

🚀 快速开始

以下是使用该模型的示例代码：

import requests

import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

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

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)

✨ 主要特性

• 广泛的任务处理能力：Florence-2是一个先进的视觉基础模型，使用基于提示的方法来处理广泛的视觉和视觉语言任务，如图像描述、目标检测和分割等。
• 多任务学习：该模型利用包含54亿个注释的1.26亿张图像的FLD - 5B数据集进行多任务学习。
• 序列到序列架构：模型的序列到序列架构使其在零样本和微调设置中都能表现出色。

📚 详细文档

模型概述

此Hub仓库包含了微软Florence - 2模型的HuggingFace transformers 实现。

Florence - 2是一个先进的视觉基础模型，使用基于提示的方法来处理广泛的视觉和视觉语言任务。它可以解释简单的文本提示，以执行图像描述、目标检测和分割等任务。该模型利用包含54亿个注释的1.26亿张图像的FLD - 5B数据集进行多任务学习。模型的序列到序列架构使其在零样本和微调设置中都能表现出色，证明了它是一个有竞争力的视觉基础模型。

资源和技术文档：

• Florence - 2技术报告
• Florence - 2 - large推理和可视化的Jupyter Notebook

不同版本模型信息

任务执行

该模型能够通过更改提示来执行不同的任务。

首先，定义一个运行提示的函数：

import requests

import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

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

以下是 Florence - 2 可以执行的任务：

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)

基准测试

Florence - 2零样本性能

以下表格展示了通用视觉基础模型在图像描述和目标检测评估任务上的零样本性能。这些模型在训练阶段未接触到评估任务的训练数据。

以下表格继续展示了在其他视觉语言评估任务上的性能比较。

Florence - 2微调性能

我们在一系列下游任务上对Florence - 2模型进行微调，得到了两个通用模型 Florence - 2 - base - ft 和 Florence - 2 - large - ft，它们可以执行广泛的下游任务。

以下表格比较了专业模型和通用模型在各种图像描述和视觉问答（VQA）任务上的性能。专业模型是针对每个任务进行微调的，而通用模型是在所有任务上进行与任务无关的微调。符号 "▲" 表示使用外部OCR作为输入。

BibTex和引用信息

@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}
}

📄 许可证

本项目采用MIT许可证，许可证链接。