Florence 2 Base Gpt4 Captioner V1

🚀 圖像描述生成模型（Florence-2-base-gpt4_captioner_v1）

本模型是基於Florence-2-base-ft微調的GPT4-O風格圖像描述生成器，可用於生成特定風格的圖像描述。

🚀 快速開始

模型用途

直接使用

此模型可用於生成GPT4-O風格的圖像描述。

適用範圍外的使用

• 由於上下文長度為1024，該模型可能無法生成較長的文本描述。
• 已應用線性縮放來增加上下文長度，但未對其效果進行評估！

模型使用入門

# 加載微調後的模型和處理器
import torch
from transformers import AutoModelForCausalLM, AutoProcessor
from PIL import Image

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
repo_name = "Vimax97/Florence-2-base-gpt4_captioner_v1" 
model = AutoModelForCausalLM.from_pretrained(repo_name, trust_remote_code=True).to(device)
processor = AutoProcessor.from_pretrained(repo_name, trust_remote_code=True)

# 推理
image = Image.open("<path_to_image>")
prompt = "<ImageCAP>" + 'What is the <GPT4> style description for this image?'

inputs = processor(text=prompt, images=image, return_tensors="pt").to(device)

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=prompt, image_size=(image.width, image.height))

print("Generated: ",parsed_answer[prompt])

訓練超參數

• 訓練機制：採用fp32精度，使用了1000張圖像，進行了1個epoch的微調。

📄 許可證

本項目採用MIT許可證。