Florence 2 Large Ft

🚀 Florence-2：推動多種視覺任務的統一表示

Florence-2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。它可以理解簡單的文本提示，執行圖像描述、目標檢測和分割等任務。該模型利用包含54億個註釋、1.26億張圖像的FLD - 5B數據集進行多任務學習，其序列到序列的架構使其在零樣本和微調設置中都表現出色。

🚀 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-large-ft", torch_dtype=torch_dtype, trust_remote_code=True).to(device)
processor = AutoProcessor.from_pretrained("microsoft/Florence-2-large-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：能夠通過改變提示執行多種視覺和視覺語言任務，如圖像描述、目標檢測、OCR等。
• 零樣本和微調能力：序列到序列的架構使其在零樣本和微調設置中都有良好表現。
• 大規模數據集訓練：利用包含54億個註釋、1.26億張圖像的FLD - 5B數據集進行訓練。

📦 安裝指南

文檔未提及安裝步驟，暫不展示。

💻 使用示例

基礎用法

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-large-ft", torch_dtype=torch_dtype, trust_remote_code=True).to(device)
processor = AutoProcessor.from_pretrained("microsoft/Florence-2-large-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)

高級用法

以下是Florence-2可以執行的任務示例：

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)

📚 詳細文檔

模型概述

此Hub倉庫包含微軟的Florence - 2模型在HuggingFace的transformers實現。

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

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這些模型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。

以下表格比較了專用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。專用模型針對每個任務進行了微調，而通用模型則以任務無關的方式在所有任務上進行了微調。符號“▲”表示使用外部OCR作為輸入。

🔧 技術細節

文檔未提及技術實現細節，暫不展示。

📄 許可證

本項目採用MIT許可證，點擊查看許可證詳情。

🔖 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}
}