Florence 2 Large No Flash Attn

🚀 Florence-2 (無Flash注意力機制)：推動多種視覺任務的統一表示

本項目是一個先進的視覺基礎模型，採用基於提示的方法來處理廣泛的視覺和視覺語言任務。它可以解釋簡單的文本提示，以執行圖像描述、目標檢測和分割等任務。

⚠️ 重要提示

這是Florence 2的修改版本，通過修改自定義的 modeling_florence2.py 文件，去除了對 flash-attn 包的安裝需求（通過劫持Flash注意力機制方法並替換為常規注意力機制）。這可能會對性能產生影響。

🚀 快速開始

以下是使用該模型的示例代碼：

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

• 廣泛的任務處理能力：Florence-2是一個先進的視覺基礎模型，使用基於提示的方法來處理廣泛的視覺和視覺語言任務，如圖像描述、目標檢測和分割等。
• 多任務學習：該模型利用包含54億個註釋的1.26億張圖像的FLD - 5B數據集進行多任務學習。
• 序列到序列架構：模型的序列到序列架構使其在零樣本和微調設置中都能表現出色。

📚 詳細文檔

模型概述

此Hub倉庫包含了微軟Florence - 2模型的HuggingFace transformers 實現。

Florence - 2是一個先進的視覺基礎模型，使用基於提示的方法來處理廣泛的視覺和視覺語言任務。它可以解釋簡單的文本提示，以執行圖像描述、目標檢測和分割等任務。該模型利用包含54億個註釋的1.26億張圖像的FLD - 5B數據集進行多任務學習。模型的序列到序列架構使其在零樣本和微調設置中都能表現出色，證明了它是一個有競爭力的視覺基礎模型。

資源和技術文檔：

• Florence - 2技術報告
• Florence - 2 - large推理和可視化的Jupyter Notebook

不同版本模型信息

任務執行

該模型能夠通過更改提示來執行不同的任務。

首先，定義一個運行提示的函數：

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 可以執行的任務：

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)

基準測試

Florence - 2零樣本性能

以下表格展示了通用視覺基礎模型在圖像描述和目標檢測評估任務上的零樣本性能。這些模型在訓練階段未接觸到評估任務的訓練數據。

以下表格繼續展示了在其他視覺語言評估任務上的性能比較。

Florence - 2微調性能

我們在一系列下游任務上對Florence - 2模型進行微調，得到了兩個通用模型 Florence - 2 - base - ft 和 Florence - 2 - large - ft，它們可以執行廣泛的下游任務。

以下表格比較了專業模型和通用模型在各種圖像描述和視覺問答（VQA）任務上的性能。專業模型是針對每個任務進行微調的，而通用模型是在所有任務上進行與任務無關的微調。符號 "▲" 表示使用外部OCR作為輸入。

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}
}

📄 許可證

本項目採用MIT許可證，許可證鏈接。