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處理廣泛的視覺和視覺語言任務。它能解讀簡單文本提示，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：通過基於提示的方法，可處理多種視覺和視覺語言任務，如圖像描述、目標檢測和分割等。
• 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

這是微軟模型的一個副本，進行了一些修復。修復的 PR 在原始模型上處於開放狀態，在合併之前，我使用這個副本來確保一切設置正確。

此 Hub 倉庫包含了 HuggingFace 的 transformers 對微軟 Florence - 2 模型的實現。

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。它可以解釋簡單的文本提示，以執行諸如圖像描述、目標檢測和分割等任務。該模型利用我們的 FLD - 5B 數據集，該數據集包含 1.26 億張圖像上的 54 億個註釋，來掌握多任務學習。模型的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，證明它是一個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

不同版本模型信息

任務

該模型能夠通過更改提示來執行不同的任務。

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。

以下表格繼續比較了在其他視覺語言評估任務上的性能。

Florence - 2 微調後性能

我們在一系列下游任務上對 Florence - 2 模型進行了微調，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。

以下表格比較了專家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。專家模型是針對每個任務進行專門微調的，而通用模型是在所有任務上以與任務無關的方式進行微調的。符號 "▲" 表示使用外部 OCR 作為輸入。

BibTex 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 LICENSE。