🚀 Florence-2：推进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。它能解读简单的文本提示，执行图像字幕、目标检测和分割等任务。该模型利用包含1.26亿张图像、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-large", trust_remote_code=True)
processor = AutoProcessor.from_pretrained("microsoft/Florence-2-large", 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,
    num_beams=3,
    do_sample=False
)
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

• 多任务处理：通过改变提示，该模型能够执行多种不同的视觉和视觉语言任务。
• 零样本和微调能力：其序列到序列架构使其在零样本和微调设置中都具有竞争力。
• 大规模数据集训练：利用包含54亿个注释的FLD - 5B数据集进行训练。

📚 详细文档

模型概述

此Hub仓库包含微软Florence - 2模型的HuggingFace transformers实现。

Florence - 2是一个先进的视觉基础模型，使用基于提示的方法来处理广泛的视觉和视觉语言任务。它可以解释简单的文本提示，执行诸如字幕生成、目标检测和分割等任务。该模型利用包含1.26亿张图像、54亿个注释的FLD - 5B数据集来掌握多任务学习。其序列到序列架构使其在零样本和微调设置中都能表现出色，证明是一个有竞争力的视觉基础模型。

资源和技术文档：

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

模型参数

任务

该模型能够通过更改提示执行不同的任务。首先，定义一个运行提示的函数：

import requests

from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM 

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

基准测试

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字幕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。

以下表格继续与其他视觉语言评估任务的性能进行比较。

Florence - 2微调性能

我们在一系列下游任务上微调Florence - 2模型，得到两个通用模型Florence - 2 - base - ft和Florence - 2 - large - ft，它们可以执行广泛的下游任务。

以下表格比较了专家模型和通用模型在各种字幕生成和视觉问答（VQA）任务上的性能。专家模型针对每个任务进行专门微调，而通用模型以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。

🔧 技术细节

该模型基于序列到序列架构，利用大规模的FLD - 5B数据集进行多任务学习训练。通过改变输入提示，可以执行不同的视觉和视觉语言任务。

📄 许可证

本项目采用MIT许可证，详情请见许可证链接。

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}
}