Florence 2 Base

🚀 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。它能夠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 12600 萬張圖像和 54 億個註釋的 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-base", torch_dtype=torch_dtype, trust_remote_code=True).to(device)
processor = AutoProcessor.from_pretrained("microsoft/Florence-2-base", 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。
• 零樣本學習：在未接觸評估任務訓練數據的情況下，仍能在圖像描述和目標檢測等評估任務中表現出色。
• 微調能力：經過微調後，可在一系列下游任務中展現良好性能。

📦 安裝指南

文檔未提及安裝步驟，暫不提供。

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

通過改變提示，該模型能夠執行不同的任務。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

模型資源與技術文檔

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

模型信息

模型版本

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 微調後性能

我們對 Florence - 2 模型進行了一系列下游任務的微調，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特定的微調，而通用模型則以與任務無關的方式在所有任務上進行了微調。符號 "▲" 表示使用了外部 OCR 作為輸入。

🔧 技術細節

文檔未提及具體技術實現細節，暫不提供。

📄 許可證

本項目採用 MIT 許可證，詳情請見 許可證鏈接。

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}
}