Cogflorence 2 Large Freeze

🚀 microsoft/Florence - 2 - large在Ejafa/ye - pop上微调并使用CogVLM2添加字幕

本仓库包含microsoft/Florence - 2 - large模型的微调版本。该模型在Ejafa/ye - pop数据集的38000张图像子集上进行了微调，其字幕使用THUDM/cogvlm2 - llama3 - chat - 19B生成。

🚀 快速开始

本仓库中的模型是microsoft/Florence - 2 - large的微调版本，可用于图像到文本的转换任务。通过在特定数据集上微调，模型的图像字幕生成能力得到了提升。

✨ 主要特性

• 基于microsoft/Florence - 2 - large模型进行微调。
• 在Ejafa/ye - pop数据集的38000张图像子集上训练。
• 使用THUDM/cogvlm2 - llama3 - chat - 19B生成字幕。

📦 安装指南

文档未提及具体安装步骤，可参考transformers库的安装方式。

💻 使用示例

基础用法

from transformers import AutoModelForCausalLM, AutoProcessor, AutoConfig
import torch

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

model = AutoModelForCausalLM.from_pretrained("thwri/CogFlorence-2-Large-Freeze", trust_remote_code=True).to(device).eval()
processor = AutoProcessor.from_pretrained("thwri/CogFlorence-2-Large-Freeze", trust_remote_code=True)

# Function to run the model on an example
def run_example(task_prompt, image):
    prompt = task_prompt

    # Ensure the image is in RGB mode
    if image.mode != "RGB":
        image = image.convert("RGB")

    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,
        num_beams=3,
        do_sample=True
    )
    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))
    return parsed_answer

from PIL import Image
import requests
import copy

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)
result = run_example("<MORE_DETAILED_CAPTION>" , image)
print(result)

# {'<MORE_DETAILED_CAPTION>': 'a turquoise volkswagen beetle parked on a cobblestone street in front of a yellow wall with two wooden doors. the car's body is painted in a vibrant shade of teal, with a glossy finish that reflects the sunlight, and the wheels are polished with a silver hubcap. the building behind the car has a weathered, aged appearance, with visible cracks and peeling paint. the sky above is clear and blue, suggesting a sunny day.'}

高级用法

文档未提及高级用法相关代码，可根据实际需求对基础用法代码进行扩展。

📚 详细文档

训练详情

• 视觉编码器：训练期间视觉编码器被冻结。
• 批量大小：32
• 梯度累积步数：8
• 学习率：4.2667e - 5
• 优化器：AdamW
• 调度器：线性
• 训练轮数：7

数据集

微调过程使用了Ejafa/ye - pop数据集的38000张图像子集。该数据集包含各种不同主题的图像，为提高模型的字幕生成能力提供了强大的训练基础。

字幕生成

字幕使用THUDM/cogvlm2 - llama3 - chat - 19B生成。

📄 许可证

本项目采用MIT许可证。