Florence 2 Large

🚀 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。它能通過簡單的文本提示執行圖像描述、目標檢測和分割等任務，利用 FLD - 5B 數據集實現多任務學習。該模型的序列到序列架構使其在零樣本和微調設置中都表現出色。

🚀 快速開始

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

✨ 主要特性

• 多任務處理：Florence - 2 可以使用基於提示的方法處理各種視覺和視覺語言任務，如通過簡單的文本提示執行圖像描述、目標檢測和分割等任務。
• 多任務學習：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。
• 強大的架構：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。

📦 安裝指南

文檔未提及安裝步驟，故跳過該章節。

💻 使用示例

基礎用法

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

model = AutoModelForCausalLM.from_pretrained("microsoft/Florence-2-large", trust_remote_code=True)
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")

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)

高級用法

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

model = AutoModelForCausalLM.from_pretrained("microsoft/Florence-2-large", trust_remote_code=True)
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")
    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)

📚 詳細文檔

模型資源和技術文檔

• Florence - 2 技術報告。
• Florence - 2 - large 的推理和可視化 Jupyter 筆記本

模型信息

模型任務

這個模型能夠通過更改提示來執行不同的任務。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 "▲" 表示使用外部 OCR 作為輸入。

🔧 技術細節

文檔未提及具體技術實現細節，故跳過該章節。

📄 許可證

本項目採用 MIT 許可證。

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}
}