Florence 2 Base Ft

🚀 Florence-2：推動多種視覺任務的統一表徵

Florence-2 是一款先進的視覺基礎模型，採用基於提示的方法處理廣泛的視覺和視覺語言任務。它能解讀簡單文本提示，執行圖像描述、目標檢測和分割等任務。該模型利用包含 12600 萬張圖像、54 億個註釋的 FLD - 5B 數據集進行多任務學習，其序列到序列架構使其在零樣本和微調設置中均表現出色。

🚀 快速開始

使用以下代碼開始使用該模型。所有模型均使用 float16 進行訓練。

import requests

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-base-ft", torch_dtype=torch_dtype, trust_remote_code=True).to(device)
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").to(device, torch_dtype)

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)

✨ 主要特性

• 多任務處理：通過基於提示的方法，能夠處理多種視覺和視覺語言任務，如圖像描述、目標檢測、分割等。
• 零樣本和微調能力：序列到序列架構使其在零樣本和微調設置中都能有出色表現。
• 大規模數據集訓練：利用包含 12600 萬張圖像、54 億個註釋的 FLD - 5B 數據集進行訓練，提升了模型的學習能力。

📚 詳細文檔

模型概述

此 Hub 倉庫包含微軟 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，以執行諸如圖像描述、目標檢測和分割等任務。該模型利用我們的 FLD - 5B 數據集（包含 12600 萬張圖像上的 54 億個註釋）來掌握多任務學習。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 模型推理和可視化的 Jupyter Notebook

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，定義一個函數來運行提示。

import requests

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-base-ft", torch_dtype=torch_dtype, trust_remote_code=True).to(device)
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").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

對 Florence - 2 模型在一系列下游任務上進行微調，得到兩個通用模型 Florence - 2 - base - ft 和 Florence - 2 - large - ft，它們可以執行廣泛的下游任務。

以下表格比較了專家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。專家模型針對每個任務進行了專門的微調，而通用模型則以與任務無關的方式在所有任務上進行微調。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，詳情請見 許可證鏈接。