Florence 2 Base Gpt4 Captioner V1

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

本模型是基于Florence-2-base-ft微调的GPT4-O风格图像描述生成器，可用于生成特定风格的图像描述。

🚀 快速开始

模型用途

直接使用

此模型可用于生成GPT4-O风格的图像描述。

适用范围外的使用

• 由于上下文长度为1024，该模型可能无法生成较长的文本描述。
• 已应用线性缩放来增加上下文长度，但未对其效果进行评估！

模型使用入门

# 加载微调后的模型和处理器
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])

训练超参数

• 训练机制：采用fp32精度，使用了1000张图像，进行了1个epoch的微调。

📄 许可证

本项目采用MIT许可证。