Florence 2 Base Ft

🚀 Florence-2：推动多种视觉任务的统一表示

Florence-2 是一个先进的视觉基础模型，采用基于提示的方法处理广泛的视觉和视觉语言任务。它能通过简单文本提示执行图像描述、目标检测和分割等任务。该模型利用包含 12600 万张图像和 54 亿个注释的 FLD - 5B 数据集进行多任务学习，其序列到序列架构使其在零样本和微调设置中都表现出色。

🚀 快速开始

使用以下代码开始使用该模型：

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

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

模型概述

此 Hub 仓库包含了微软 Florence - 2 模型在 HuggingFace 的 transformers 实现。Florence - 2 是先进的视觉基础模型，采用基于提示的方法处理多种视觉和视觉语言任务，可通过简单文本提示执行图像描述、目标检测和分割等任务。它利用 FLD - 5B 数据集进行多任务学习，序列到序列架构使其在零样本和微调设置中都有出色表现。

资源与技术文档

• Florence - 2 技术报告
• Florence - 2 - large 模型推理和可视化的 Jupyter Notebook

模型信息

支持的任务

该模型能够通过更改提示执行不同任务，以下是一些示例：

基础用法

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

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

高级用法

以下是 Florence - 2 可以执行的任务：

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)

📚 详细文档

Florence - 2 零样本性能

以下表格展示了通用视觉基础模型在图像描述和目标检测评估任务上的零样本性能。这些模型在训练阶段未接触评估任务的训练数据。

以下表格继续展示了这些模型在其他视觉语言评估任务上的性能比较。

Florence - 2 微调性能

我们在一系列下游任务上对 Florence - 2 模型进行微调，得到了两个通用模型 Florence - 2 - base - ft 和 Florence - 2 - large - ft，它们可以执行广泛的下游任务。

以下表格比较了专用模型和通用模型在各种图像描述和视觉问答（VQA）任务上的性能。专用模型针对每个任务进行微调，而通用模型以与任务无关的方式在所有任务上进行微调。符号 "▲" 表示使用外部 OCR 作为输入。

📄 许可证

本项目采用 MIT 许可证，详情请见 LICENSE。

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}
}