❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

🚀 快速阅读

1. 多模态理解：Florence-VL能够处理图像与文本数据，实现视觉与语言的深度融合。
2. 视觉特征提取：使用Florence-2模型从图像中提取丰富的视觉特征。
3. 深度-广度融合：结合不同层次和任务提示的视觉特征，适应多种下游任务。

正文（附运行示例）

Florence-VL 是什么

Florence-VL是由微软和马里兰大学共同推出的多模态大型语言模型（MLLMs）。该模型通过生成式视觉基础模型Florence-2丰富视觉表示，能够捕捉图像的不同层次和方面的视觉特征，适应多样的下游任务。Florence-VL引入了深度-广度融合（DBFusion）技术，将不同深度和多个提示下提取的视觉特征进行融合，实现视觉与语言理解的深度融合。

Florence-VL的核心在于其创新的多模态理解和特征提取能力，使其在多个多模态和视觉中心的基准测试中实现了性能提升。

Florence-VL 的主要功能

• 多模态理解：能够理解和处理图像与文本数据，实现视觉与语言的深度融合。
• 视觉特征提取：使用Florence-2模型从图像中提取丰富的视觉特征。
• 深度-广度融合（DBFusion）：结合不同层次（深度）和不同任务提示（广度）的视觉特征，适应多种下游任务。
• 性能提升：在多个多模态和视觉中心的基准测试中实现性能提升，包括VQA、OCR、图像描述等。

Florence-VL 的技术原理

• 生成式视觉编码器：使用Florence-2作为视觉编码器，基于不同的任务提示生成视觉特征，适用于多种视觉任务。
• 特征融合架构：引入新颖的特征融合架构，将从Florence-2提取的视觉特征与预训练的语言模型相结合。
• 深度-广度融合（DBFusion）：
  • 深度：整合来自不同层次的视觉特征，捕捉从低级到高级的概念细节。
  • 广度：使用多个任务特定的视觉特征，每个特征强调输入图像中的不同感知信息。
• 端到端预训练：整个模型进行端到端预训练，实现视觉和语言模态之间的最佳对齐。
• 微调：在预训练后，对投影层和语言模型进行微调，适应特定的下游任务。

如何运行 Florence-VL

环境安装

1. 安装训练包：

   conda create -n florence-vl python=3.11 -y
   conda activate florence-vl
   pip install --upgrade pip  
   pip install -e .
   pip install -e ".[train]"
   pip install flash-attn --no-build-isolation
   

2. 安装评估包：

   cd lmms-eval
   pip install -e .
   

数据集下载

1. 预训练数据：

   • 详细描述来自PixelProse和ShareGPT4V。

2. 指令数据：

   • TODO。

训练脚本

使用llama 3.1-8B进行训练（phi-3类似）

在scripts/florence-vl/llama/llama3.sh中设置基本的slurm信息，然后运行预训练和微调任务：

在scripts/florence-vl/llama/pretrain_llama.sh中手动导出以下变量：

export NNODES=number of nodes
export DATA_PATH=/your/path/for/pretrain/data/json/file
export IMG=/your/image/folder
export OUTPUT=/checkpoint/save/path

在scripts/florence-vl/llama/finetune_llama.sh中手动导出以下变量：

export NNODES=number of nodes
export DATA_PATH=/your/path/for/instuction/data/json/file
export IMG=/your/image/folder
export CKPT_PATH=/pretrain/checkpoint
export VIT_PATH=/pretrain/checkpoint/vision_tower
export OUTPUT=/checkpoint/save/path

评估脚本

使用lmms-eval进行评估：

export OPENAI_API_KEY=your key
python -m accelerate.commands.launch \
    --num_processes=4 \
    -m lmms_eval \
    --model llava \
    --model_args pretrained="/your/model/path/,conv_template=/choose/from/llama3/or/phi" \
    --tasks  textvqa_val,gqa,realworldqa,vizwiz_vqa_val,pope,scienceqa_img,mmvet,mme,seedbench,hallusion_bench_image,llava_in_the_wild,mathvista_testmini,docvqa_val,ocrbench,chartqa,ai2d,mmmu_val,mmbench_en_dev,infovqa_val,mmbench_cn_dev,mmstar \
    --batch_size 1 \
    --log_samples \
    --log_samples_suffix florence-vl \
    --output_path ./logs/

资源

• 项目官网：https://jiuhaichen.github.io/florence-vl
• GitHub 仓库：https://github.com/JiuhaiChen/Florence-VL
• arXiv 技术论文：https://arxiv.org/pdf/2412.04424

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦