Florence 2 Large Ft Fix

🚀 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，執行圖像字幕、目標檢測和分割等任務。該模型利用包含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都表現出色。

🚀 快速開始

使用以下代碼開始使用該模型：

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

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

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：能夠處理多種視覺和視覺語言任務，如字幕生成、目標檢測和分割等。
• 提示驅動：通過簡單的文本提示即可執行各種任務。
• 多任務學習：利用FLD - 5B數據集進行多任務學習，提升模型性能。
• 序列到序列架構：在零樣本和微調設置中都能表現出色。

📚 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，執行如字幕生成、目標檢測和分割等任務。該模型利用包含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都表現出色，是一個具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

該模型能夠通過更改提示執行不同的任務。首先，定義一個函數來運行提示：

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

model = AutoModelForCausalLM.from_pretrained("microsoft/Florence-2-large-ft", trust_remote_code=True)
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")
    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字幕生成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微調Florence - 2模型，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。

以下表格比較了專用模型和通用模型在各種字幕生成和視覺問答（VQA）任務上的性能。專用模型針對每個任務進行微調，而通用模型以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。