微软开源视觉语言模型Florence-2的应用实战 原创

本文将通过探讨微软开源Florence-2模型的零样本功能来全面了解其在字幕识别、目标检测、分割和OCR等领域的应用。

简介

近年来，计算机视觉领域见证了基础模型的兴起，这些模型可以在不需要训练自定义模型的情况下进行图像注释。我们已经看到了用于分类的CLIP模型（参考文献2）、用于对象检测的Grounding DINO（参考文献3）和用于分割的SAM（参考文献4）等模型，每种模型在其各自领域都表现出色。但是，我们是否能够开发一个能够同时处理所有这些任务的单一模型呢？

在本教程中，我们将要介绍Florence-2模型（参考文献1）——一种新颖的开源视觉语言模型（VLM），旨在处理各种视觉和多模型任务，包括字幕识别、对象检测、分割和OCR等内容。

通过Colab笔记本文件形式，我们将开始探索Florence-2的零样本功能，用来注释一部旧相机的图像。

Florence-2模型

背景

Florence-2模型于2024年6月由微软发布。它被设计为在单个模型中执行多个视觉任务。这是一个开源模型，可以在麻省理工学院许可的​​Hugging Face网站​​上使用。

尽管Florence-2模型的尺寸相对较小，仅具有0.23B和0.77B个参数的版本，但它实现了最先进的性能。其紧凑的尺寸使其能够在计算资源有限的设备上高效部署，同时确保快速的推理速度。

该模型在一个名为FLD-5B的庞大、高质量的数据集上进行了预训练，该数据集由1.26亿张图像上的5.4B个注释组成。这使得Florence-2模型在许多任务中都能在零样本情况下表现出色，而无需额外训练。

Florence-2模型的原始开源权重支持以下任务：

通过微调模型可以添加其他不受支持的任务。

任务格式

受大型语言模型的启发，Florence-2被设计为一种序列到序列的模型。它将图像和文本指令作为输入，并输出文本结果。输入或输出文本可以表示纯文本或图像中的区域。区域格式因任务而异：

• 边界框：“<X1><Y1><X2><Y2>”用于对象检测任务。这些标记表示长方体左上角和右下角的坐标。
• 四边框：“<X1><Y1><X2><Y2><X3><Y3><X4><Y4>”用于文本检测，使用包围文本的四个角的坐标。
• 多边形：“<X1><Y1><Xn><Yn>'用于分割任务，其中坐标按顺时针顺序表示多边形的顶点。

架构

Florence-2模型是使用标准“编码器-解码器”转换器架构构建的。以下是该过程的工作原理：

• 输入图像由DaViT视觉编码器嵌入（参考文献5）。
• 文本提示使用BART（参考文献6）嵌入，利用扩展的标记器和单词嵌入层。
• 视觉和文本嵌入都是连接在一起的。
• 这些级联的嵌入由基于转换器的多模型编码器-解码器处理，以生成响应。
• 在训练过程中，该模型最小化交叉熵损失，类似于标准语言模型。

Florence-2模型架构图（来源链接：https://arxiv.org/abs/2311.06242）

代码实现

加载Florence-2模型和一个样本图像

安装并导入必要的库后，我们首先加载Florence-2模型、处理器和相机的输入图像：

#加载模型:
model_id = ‘microsoft/Florence-2-large’
model = AutoModelForCausalLM.from_pretrained(model_id, trust_remote_code=True, torch_dtype='auto').eval().cuda()
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

#加载图像:
image = Image.open(img_path)

辅助函数

在本教程中，我们将使用几个辅助函数。最重要的是run_example核心函数，它从Florence-2模型生成响应。

run_example函数将任务提示与任何其他文本输入（如果提供的话）组合成一个提示。借助处理器，它生成文本和图像嵌入，作为模型的输入。最神奇的事情发生在model.generate步骤中，在该步骤中生成模型的响应。以下是一些关键参数的详细解释：

• max_new_tokens=1024：设置输出的最大长度，允许输出详细的响应。
• do_sample=False：确保产生确定性的响应。
• num_beams=3：在每个步骤中使用前3个最可能的标记进行波束搜索，探索多个潜在序列以找到最佳的整体输出。
• early_stoping=False：确保波束搜索继续进行，直到所有波束达到最大长度或生成序列结束标记。

最后，使用processor.batch_decode和processor.post_process_generation对模型的输出进行解码和后处理，以便产生最终的文本响应。该响应由run_example函数返回。

def run_example(image, task_prompt, text_input=''):

prompt = task_prompt + text_input

inputs = processor(text=prompt, images=image, return_tensors=”pt”).to(‘cuda’, torch.float16)

generated_ids = model.generate(
input_ids=inputs[“input_ids”].cuda(),
pixel_values=inputs[“pixel_values”].cuda(),
max_new_tokens=1024,
do_sample=False,
num_beams=3,
early_stopping=False,
)

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

此外，我们利用辅助函数来可视化结果（draw_box、draw_ocr_bboxes和draw_polygon），并处理边界框格式（convert_box_to_florence-2和convert_florence-2_to_bbox）之间的转换。所有这些内容，有兴趣的读者可以在随附的Colab笔记本文件中进一步探索。

其他方面的任务

Florence-2模型可以执行各种视觉任务。让我们从图像字幕识别开始探索它的一些功能。

1.为生成相关任务添加字幕

（1）生成字幕

Florence-2模型可以使用“<CAPTION>”、“<DETAILED_CAPTION>”或“<MORE_DETAILED_CACTION>”任务提示生成各种细节级别的图像字幕。

print (run_example(image, task_prompt='<CAPTION>'))
# 输出: 'A black camera sitting on top of a wooden table.'

print (run_example(image, task_prompt='<DETAILED_CAPTION>'))
# 输出: 'The image shows a black Kodak V35 35mm film camera sitting on top of a wooden table with a blurred background.'

print (run_example(image, task_prompt='<MORE_DETAILED_CAPTION>'))
# 输出: 'The image is a close-up of a Kodak VR35 digital camera. The camera is black in color and has the Kodak logo on the top left corner. The body of the camera is made of wood and has a textured grip for easy handling. The lens is in the center of the body and is surrounded by a gold-colored ring. On the top right corner, there is a small LCD screen and a flash. The background is blurred, but it appears to be a wooded area with trees and greenery.'

该模型准确地描述了图像及其周围环境。它甚至可以识别相机的品牌和模型，展示其OCR功能。然而，在“＜MORE_DETALED_CAPTION＞”任务中，存在轻微的不一致性，这是零样本模型所预期的。

（2）为给定的边界框生成字幕

Florence-2模型可以为图像中由边界框定义的特定区域生成字幕。为此，它将边界框位置作为输入。你可以使用“<REGION_TO_category>”提取类别，或使用“<REGION_TO_DESCRIPTI>”提取描述。

为了你的使用方便，我在Colab笔记本中添加了一个小部件，使你能够在图像上绘制一个边界框，并编写代码将其转换为Florence-2格式。

在这种情况下，“<REGION_TO_CATEGORY>”标识了镜片，而“<REGION _TO_DESCRIPTI>”则不太具体。但是，此性能可能因不同的图像而有所不同。

2.目标检测相关任务

（1）为对象生成边界框和文本

Florence-2模型可以识别图像中密集的区域，并提供它们的边界框坐标和相关的标签或字幕。要提取带有标签的边界框，请使用“<OD>”任务提示：

results = run_example(image, task_prompt='<OD>')
draw_bbox(image, results['<OD>'])

要提取带有文本内容的边界框，请使用“<DENSE_REGION_CAPTION>”任务提示：

task_prompt results = run_example(image, task_prompt= '<DENSE_REGION_CAPTION>')
draw_bbox(image, results['<DENSE_REGION_CAPTION>'])

左侧的图像显示了“<OD>”任务提示的结果，而右侧的图像显示的是“<DENSE_REGION_CAPTION>”。

（2）基于文本的对象检测

Florence-2模型还可以执行基于文本的对象检测。通过提供特定的对象名称或描述作为输入，Florence-2模型可以检测指定对象周围的边界框。

task_prompt = '<CAPTION_TO_PHRASE_GROUNDING>'
results = run_example(image,task_prompt, text_input=”lens. camera. table. logo. flash.”)
draw_bbox(image, results['<CAPTION_TO_PHRASE_GROUNDING>'])

CAPION_TO_PHRASE_ROUNDING任务，文本输入：“镜头、相机、桌子、徽标、闪光灯。”

3.分割相关任务

Florence-2还可以生成基于文本（“<REFERRING_EXPRESSION_segmentation>”）或边界框（“<REGION_TO_segmentation>”）的分割多边形：

results = run_example(image, task_prompt='<REFERRING_EXPRESSION_SEGMENTATION>', text_input=”camera”)
draw_polygons(image, results[task_prompt])

results = run_example(image, task_prompt='<REGION_TO_SEGMENTATION>', text_input="<loc_345><loc_417><loc_648><loc_845>")
draw_polygons(output_image, results['<REGION_TO_SEGMENTATION>'])

左侧的图像显示了以“camera”文本作为输入的REFERRING_EXPRESSION_SEGMENTATION任务的结果。右侧的图像演示了REGION_TO_SEGMENTION任务，镜头周围有一个边界框作为输入。

4.OCR相关任务

Florence-2模型还展示出强大的OCR功能。它可以使用“<OCR>”任务提示从图像中提取文本，并使用“<OCR_with_REGON>”提取文本及其位置。

results = run_example(image,task_prompt)
draw_ocr_bboxes(image, results['<OCR_WITH_REGION>'])

结束语

总之，Florence-2模型是一个通用的视觉语言模型（VLM），它能够在单个模型中处理多个视觉任务。其零样本功能在图像字幕、对象检测、分割和OCR等各种任务中都给人留下深刻印象。虽然Florence-2模型表现良好，但是额外的微调可以进一步使模型适应新任务，或提高其在独特的自定义数据集上的性能。

参考文献

本文在Colab Notebook中的源代码链接地址：​​https://gist.github.com/Lihi-Gur-Arie/427ecce6a5c7f279d06f3910941e0145​​

《Florence-2：推进各种视觉任务的统一表示》。原文地址：​​https://arxiv.org/pdf/2311.06242​​

《CLIP：从自然语言监督中学习可转移的视觉模型》。原文地址：​​https://arxiv.org/pdf/2103.00020v1​​

《Grounding DINO：将DINO与开放式目标检测的预训练相结合》。​​https://arxiv.org/abs/2303.05499​​

《SAM2：分割图像和视频中的任何内容》。原文地址：​​https://arxiv.org/pdf/2408.00714​​

《DaViT：双注意力视觉转换器》。地址：​​https://arxiv.org/abs/2204.03645​​

《BART：用于自然语言生成、翻译和理解的去噪序列到序列预训练》。地址：​​https://arxiv.org/pdf/1910.13461​​

译者介绍

朱先忠，51CTO社区编辑，51CTO专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。

原文标题：Florence-2: Advancing Multiple Vision Tasks with a Single VLM Model，作者：Lihi Gur Arie

链接：​​https://towardsdatascience.com/florence-2-mastering-multiple-vision-tasks-with-a-single-vlm-model-435d251976d0​​