库名称: transformers 标签:

• 艺术
• 背景 许可证: mit 语言:
• 英语 基础模型:
• microsoft/Florence-2-base-ft 管道标签: 图像转文本

用途

GPT4-O风格字幕生成器，基于florence-2-base-ft微调的版本

直接使用

该模型可用于生成GPT4-O风格的图像描述。

超出范围的使用

• 由于上下文长度为1024，该模型可能无法生成长文本描述。
• 应用了线性缩放以增加上下文长度，但其效果未经测量！

如何开始使用该模型

# 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("<图像路径>")
prompt = "<ImageCAP>" + '这张图片的<GPT4>风格描述是什么？'

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("生成结果: ",parsed_answer[prompt])

训练超参数

• 训练方式: fp32精度，使用了1000张图像，微调1个epoch