作为微软开源的全新架构，Florence-2 以其小巧的体积、炸裂的性能以及对多任务的统一处理方式，在视觉理解领域掀起了一阵旋风

还记得我们之前介绍过的轻量级视觉基础模型 Florence-2 吗？Florence-2：微软开源的轻量级视觉基础模型，性能炸裂，吊打巨型模型！作为微软开源的全新架构，Florence-2 以其小巧的体积、炸裂的性能以及对多任务的统一处理方式，在视觉理解领域掀起了一阵旋风。

今天，我们将更进一步，探索如何将 Florence-2 应用于视觉问答（VQA）任务。我们将带你领略 Florence-2 如何通过微调，轻松玩转 VQA，展现其在实际应用中的巨大潜力！

回顾 Florence-2 的强大之处

在深入 VQA 之前，让我们先回顾一下 Florence-2 的一些关键优势：

• • 轻量级: Florence-2 提供了 0.2B 和 0.7B 两种版本，即使在资源有限的设备上也能流畅运行，极大地降低了使用门槛。

• • 高性能: 得益于大规模数据集的预训练以及创新的多任务学习策略，Florence-2 在图像描述、目标检测、光学字符识别等任务上均有不俗的表现，甚至可以媲美那些巨型模型！

• • 统一架构: Florence-2 采用统一的表征来处理各种计算机视觉和视觉语言任务，无需为不同的任务设计不同的模型，简化了模型开发和部署流程。

Florence-2 与 VQA 的完美邂逅

VQA：让计算机拥有一双慧眼

视觉问答 (VQA) 就像赋予了计算机一双能够理解图像的慧眼，并能够用自然语言回答关于图像的问题。想象一下，计算机可以像我们一样，看着图片，回答诸如 "图中是什么动物？"、"他们在做什么？" 这样的问题，将会带来多么令人惊叹的应用场景！

VQA 的应用潜力巨大，例如：

• • 图像搜索: 用户可以使用自然语言搜索图像，例如 "找到一张有猫和狗在玩耍的图片"。

• • 智能助手: 智能助手可以理解用户提供的图像，并回答用户关于图像的问题，提供更智能化的服务。

• • 辅助驾驶: 自动驾驶汽车可以使用 VQA 技术理解周围环境，例如识别交通信号灯、行人、车辆等，并做出更安全的驾驶决策。

微调：唤醒 Florence-2 的 VQA 潜力

虽然 Florence-2 发布的模型没有直接包含 VQA 功能，但我们可以通过微调的方式，将它训练成一个强大的 VQA 模型。一种有效的方法是使用区域到描述提示，例如，我们可以将问题和图像区域作为输入，并训练模型生成对该区域的描述，从而间接地回答问题。

DocVQA：见证 Florence-2 的实力

为了评估 Florence-2 在 VQA 任务上的性能，我们使用 DocVQA 数据集进行了实验。实验结果令人振奋：经过微调后，Florence-2 在 DocVQA 上的 Levenshtein 相似度从 0 提高到 57.0，这意味着模型能够生成与真实答案非常接近的文本输出！

效果验证：模糊图像的问答，提取邮件主题。

手把手教你微调 Florence-2

迫不及待地想体验 Florence-2 在 VQA 上的强大实力了吗？别着急，我们这就来手把手教你如何微调 Florence-2，打造属于你自己的 VQA 模型！

准备工作

在开始之前，我们需要做好以下准备工作：

• • 硬件: 一块 NVIDIA GPU (建议使用 A100 或 T4)，当然，如果你没有 GPU 也不用担心，使用 CPU 也是可以的，只是训练速度会慢一些。

• • 软件: Python 3.8+, PyTorch 1.10+, Transformers 4.20+，这些工具都是开源免费的，安装也非常方便。

• • 数据集: DocVQA 数据集，你可以在 Hugging Face 上找到它。

代码实战

万事俱备，只欠代码！接下来，我们将使用 Hugging Face Transformers 库来微调 Florence-2，让它学会回答关于图像的问题！

1. 1. 安装依赖:

!pip install -q datasets flash_attn timm einops

1. 2. 加载数据集:

from datasets import load_dataset

data = load_dataset("HuggingFaceM4/DocumentVQA")

1. 3. 加载模型:

from transformers importAutoModelForCausalLM,AutoProcessor
import torch

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

model =AutoModelForCausalLM.from_pretrained(
"microsoft/Florence-2-base-ft",
    trust_remote_code=True,
    revision="refs/pr/6",
).to(device)
processor =AutoProcessor.from_pretrained(
"microsoft/Florence-2-base-ft", trust_remote_code=True, revision="refs/pr/6"
)

# 冻结视觉编码器参数，降低训练成本
for param in model.vision_tower.parameters():
    param.requires_grad = False

1. 4 定义数据集类:

import torch
from torch.utils.data importDataset


classDocVQADataset(Dataset):
def__init__(self, data):
        self.data = data

def__len__(self):
returnlen(self.data)

def__getitem__(self, idx):
        example = self.data[idx]
        question ="<DocVQA>"+ example["question"]
        first_answer = example["answers"][0]
        image = example["image"].convert("RGB")
return question, first_answer, image

1. 5. 定义数据加载器:

import os
from torch.utils.data importDataLoader
from tqdm import tqdm
from transformers importAdamW, get_scheduler


defcollate_fn(batch):
    questions, answers, images =zip(*batch)
    inputs = processor(
        text=list(questions),
        images=list(images),
        return_tensors="pt",
        padding=True,
).to(device)
return inputs, answers


train_dataset =DocVQADataset(data["train"])
val_dataset =DocVQADataset(data["validation"])
batch_size =6# 根据GPU内存调整
num_workers =0

train_loader =DataLoader(
    train_dataset,
    batch_size=batch_size,
    collate_fn=collate_fn,
    num_workers=num_workers,
    shuffle=True,
)
val_loader =DataLoader(
    val_dataset,
    batch_size=batch_size,
    collate_fn=collate_fn,
    num_workers=num_workers,
)

1. 6. 微调模型:

epochs = 7
optimizer =AdamW(model.parameters(), lr=1e-6)
num_training_steps = epochs *len(train_loader)

lr_scheduler = get_scheduler(
    name="linear",
    optimizer=optimizer,
    num_warmup_steps=0,
    num_training_steps=num_training_steps,
)

for epoch inrange(epochs):
    model.train()
    train_loss =0
for inputs, answers in tqdm(
        train_loader, desc=f"Training Epoch {epoch + 1}/{epochs}"
):
        input_ids = inputs["input_ids"]
        pixel_values = inputs["pixel_values"]
        labels =(
            processor.tokenizer(
                text=answers,
                return_tensors="pt",
                padding=True,
                return_token_type_ids=False,
)
.input_ids.to(device)
)
        outputs = model(input_ids=input_ids, pixel_values=pixel_values, labels=labels)
        loss = outputs.loss
        loss.backward()
        optimizer.step()
        lr_scheduler.step()
        optimizer.zero_grad()
        train_loss += loss.item()
    avg_train_loss = train_loss /len(train_loader)
print(f"Average Training Loss: {avg_train_loss}")

    model.eval()
    val_loss =0
with torch.no_grad():
for batch in tqdm(
            val_loader, desc=f"Validation Epoch {epoch + 1}/{epochs}"
):
            inputs, answers = batch
            input_ids = inputs["input_ids"]
            pixel_values = inputs["pixel_values"]
            labels =(
                processor.tokenizer(
                    text=answers,
                    return_tensors="pt",
                    padding=True,
                    return_token_type_ids=False,
)
.input_ids.to(device)
)
            outputs = model(
                input_ids=input_ids, pixel_values=pixel_values, labels=labels
)
            loss = outputs.loss
            val_loss += loss.item()

print(val_loss /len(val_loader))

1. 7. 保存模型:

model.save_pretrained("path/to/save/model")
processor.save_pretrained("path/to/save/processor")

测试模型

完成训练后，你可以使用以下代码来测试你的 VQA 模型:

from PIL importImage

# 加载图像
image =Image.open("path/to/your/image.jpg")

# 输入问题
question ="What is in the image?"

# 使用模型进行预测
inputs = processor(text=question, images=image, return_tensors="pt").to(device)
generated_text = model.generate(**inputs)

# 输出预测结果
print(processor.decode(generated_text[0], skip_special_tokens=True))

Florence-2 VQA Demo

为了更直观地展示 Florence-2 的 VQA 能力，我们提供一些 Demo 示例：

英文:

• • Q: What's the retention of Franchise? A: 81.3%.

• • Q: What's the share of Industry Switchers Gained? A: 1.7%.

中文:

• • Q: “每个图像多少个token?” A: 64.

• • Q: 最大图像分辨率? A: 980x980.

Florence-2：VQA 领域的未来之星

Florence-2 凭借其轻量级、高性能和易于微调的特性，为 VQA 领域注入了新的活力。相信在不久的将来，Florence-2 将会在更多 VQA 应用中大放异彩，为我们带来更加智能化的生活体验！