> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-de/computer-vision-modelle/florence2.md).

# Florence-2

Microsoft Florence-2 für Bildbeschriftung, Erkennung und Segmentierung

Microsofts leistungsstarkes Vision-Modell für Bildbeschriftung, Erkennung, Segmentierung und mehr.

{% hint style="success" %}
Alle Beispiele können auf GPU-Servern ausgeführt werden, die gemietet wurden über [CLORE.AI-Marktplatz](https://clore.ai/marketplace).
{% endhint %}

{% hint style="info" %}
Alle Beispiele in diesem Leitfaden können auf GPU-Servern ausgeführt werden, die über [CLORE.AI-Marktplatz](https://clore.ai/marketplace) Marktplatz gemietet werden.
{% endhint %}

## Mieten auf CLORE.AI

1. Besuchen [CLORE.AI-Marktplatz](https://clore.ai/marketplace)
2. Filtern nach GPU-Typ, VRAM und Preis
3. Wähle **On-Demand** (Festpreis) oder **Spot** (Gebotspreis)
4. Konfiguriere deine Bestellung:
   * Docker-Image auswählen
   * Ports festlegen (TCP für SSH, HTTP für Web-UIs)
   * Bei Bedarf Umgebungsvariablen hinzufügen
   * Startbefehl eingeben
5. Zahlung auswählen: **CLORE**, **BTC**, oder **USDT/USDC**
6. Bestellung erstellen und auf die Bereitstellung warten

### Greife auf deinen Server zu

* Verbindungsdetails finden in **Meine Bestellungen**
* Web-Oberflächen: Verwende die HTTP-Port-URL
* SSH: `ssh -p <port> root@<proxy-address>`

## Was ist Florence-2?

Florence-2 von Microsoft ist ein Vision-Grundlagenmodell, das Folgendes verarbeitet:

* Bildbeschreibung (kurz und detailliert)
* Objekterkennung und Lokalisierung
* Beschriftung dichter Bildbereiche
* Verstehen referenzierender Ausdrücke
* OCR und Texterkennung
* Visuelle Fragebeantwortung

## Ressourcen

* **HuggingFace:** [microsoft/Florence-2-large](https://huggingface.co/microsoft/Florence-2-large)
* **Paper:** [Florence-2-Paper](https://arxiv.org/abs/2311.06242)
* **GitHub:** [microsoft/Florence-2](https://github.com/microsoft/Florence-2)
* **Demo:** [HuggingFace Space](https://huggingface.co/spaces/microsoft/Florence-2)

## Empfohlene Hardware

| Komponente | Minimum        | Empfohlen      | Optimal       |
| ---------- | -------------- | -------------- | ------------- |
| GPU        | RTX 3060 12 GB | RTX 4080 16 GB | RTX 4090 24GB |
| VRAM       | 8 GB           | 12 GB          | 16 GB         |
| CPU        | 4 Kerne        | 8 Kerne        | 16 Kerne      |
| RAM        | 16 GB          | 32 GB          | 64 GB         |
| Speicher   | 30 GB SSD      | 50 GB NVMe     | 100 GB NVMe   |
| Internet   | 100 Mbit/s     | 500 Mbit/s     | 1 Gbit/s      |

## Schnellbereitstellung auf CLORE.AI

**Docker-Image:**

```
pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
```

**Ports:**

```
22/tcp
7860/http
```

**Befehl:**

```bash
pip install transformers accelerate einops timm gradio && \\
python -c "
import gradio as gr
from transformers import AutoProcessor, AutoModelForCausalLM
import torch
from PIL import Image

model = AutoModelForCausalLM.from_pretrained('microsoft/Florence-2-large', torch_dtype=torch.float16, trust_remote_code=True).to('cuda')
processor = AutoProcessor.from_pretrained('microsoft/Florence-2-large', trust_remote_code=True)

def process(image, task):
    inputs = processor(text=task, images=image, return_tensors='pt').to('cuda', torch.float16)
    generated_ids = model.generate(input_ids=inputs['input_ids'], pixel_values=inputs['pixel_values'], max_new_tokens=1024)
    result = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
    return processor.post_process_generation(result, task=task, image_size=image.size)

gr.Interface(fn=process, inputs=[gr.Image(type='pil'), gr.Dropdown(['<CAPTION>', '<DETAILED_CAPTION>', '<OD>'])], outputs='json').launch(server_name='0.0.0.0')
"
```

## Auf deinen Dienst zugreifen

Nach der Bereitstellung findest du deine `http_pub` URL in **Meine Bestellungen**:

1. Gehe zu **Meine Bestellungen** Seite
2. Klicke auf deine Bestellung
3. Finde die `http_pub` URL (z. B. `abc123.clorecloud.net`)

Verwende `https://YOUR_HTTP_PUB_URL` anstelle von `localhost` in den folgenden Beispielen.

## Installation

```bash
pip install transformers accelerate einops timm
pip install flash-attn --no-build-isolation  # Optional, for faster inference
```

## Was du erstellen kannst

### Inhaltsanalyse

* Bildbeschreibungen automatisch generieren
* Text aus Bildern extrahieren (OCR)
* Visuellen Inhalt in großem Maßstab analysieren

### Datenannotation

* Datensätze automatisch mit Bildbeschreibungen versehen
* Begrenzungsboxen für Objekte generieren
* Dichte Annotationen erstellen

### Barrierefreiheit

* Alt-Text für Bilder generieren
* Bilder für sehbehinderte Menschen beschreiben
* Audiodeskriptionen erstellen

### Suche & Entdeckung

* Bilder nach Inhalt indexieren
* Visuelle Suchsysteme aufbauen
* Inhaltsmoderation

### Dokumentenverarbeitung

* Text aus Dokumenten extrahieren
* Diagramme und Grafiken verstehen
* Gescanntes Material verarbeiten

## Grundlegende Verwendung

### Bildbeschriftung

```python
from transformers import AutoProcessor, AutoModelForCausalLM
from PIL import Image
import torch

model = AutoModelForCausalLM.from_pretrained(
    "microsoft/Florence-2-large",
    torch_dtype=torch.float16,
    trust_remote_code=True
).to("cuda")

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

image = Image.open("photo.jpg")

# Kurze Bildbeschreibung
task = "<CAPTION>"
inputs = processor(text=task, images=image, return_tensors="pt").to("cuda", torch.float16)
generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024
)
result = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
caption = processor.post_process_generation(result, task=task, image_size=image.size)
print(caption)

# Ausgabe: {'<CAPTION>': 'Ein Hund, der im Park spielt'}

# Detaillierte Bildbeschreibung
task = "<DETAILED_CAPTION>"
inputs = processor(text=task, images=image, return_tensors="pt").to("cuda", torch.float16)
generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024
)
result = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
detailed = processor.post_process_generation(result, task=task, image_size=image.size)
print(detailed)
```

### Objekterkennung

```python
task = "<OD>"  # Objekterkennung
inputs = processor(text=task, images=image, return_tensors="pt").to("cuda", torch.float16)
generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024
)
result = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
detections = processor.post_process_generation(result, task=task, image_size=image.size)

# Ausgabe: {'<OD>': {'bboxes': [[x1, y1, x2, y2], ...], 'labels': ['Hund', 'Ball', ...]}}
```

### OCR (Texterkennung)

```python
task = "<OCR>"
inputs = processor(text=task, images=image, return_tensors="pt").to("cuda", torch.float16)
generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024
)
result = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
text = processor.post_process_generation(result, task=task, image_size=image.size)
print(text)

# Ausgabe: {'<OCR>': 'Im Bild gefundener Text...'}
```

### Beschriftung dichter Bildbereiche

```python
task = "<DENSE_REGION_CAPTION>"
inputs = processor(text=task, images=image, return_tensors="pt").to("cuda", torch.float16)
generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024
)
result = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
regions = processor.post_process_generation(result, task=task, image_size=image.size)

# Ausgabe: {'<DENSE_REGION_CAPTION>': {'bboxes': [...], 'labels': ['ein brauner laufender Hund', 'grünes Gras', ...]}}
```

### Verstehen referenzierender Ausdrücke

Finde Objekte anhand von Textbeschreibungen:

```python
task = "<CAPTION_TO_PHRASE_GROUNDING>"
text_input = "das rote Auto links"

inputs = processor(
    text=task + text_input,
    images=image,
    return_tensors="pt"
).to("cuda", torch.float16)

generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024
)
result = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
grounding = processor.post_process_generation(result, task=task, image_size=image.size)

# Gibt die Begrenzungsbox von "das rote Auto links" zurück
```

## Alle verfügbaren Aufgaben

```python
TASKS = [
    "<CAPTION>",                    # Kurze Bildbeschreibung
    "<DETAILED_CAPTION>",           # Detaillierte Beschreibung
    "<MORE_DETAILED_CAPTION>",      # Sehr detaillierte Beschreibung
    "<OD>",                          # Objekterkennung
    "<DENSE_REGION_CAPTION>",       # Beschreibungen von Bildbereichen
    "<REGION_PROPOSAL>",            # Interessante Regionen vorschlagen
    "<CAPTION_TO_PHRASE_GROUNDING>", # Objekte anhand von Text finden
    "<REFERRING_EXPRESSION_SEGMENTATION>", # Aus Text segmentieren
    "<REGION_TO_SEGMENTATION>",     # Angegebene Region segmentieren
    "<OPEN_VOCABULARY_DETECTION>",  # Mit Textlabels erkennen
    "<REGION_TO_CATEGORY>",         # Region klassifizieren
    "<REGION_TO_DESCRIPTION>",      # Region beschreiben
    "<OCR>",                         # Text extrahieren
    "<OCR_WITH_REGION>",            # Text mit Positionen extrahieren
]
```

## Batch-Verarbeitung

```python
import os
from transformers import AutoProcessor, AutoModelForCausalLM
from PIL import Image
import torch
import json

model = AutoModelForCausalLM.from_pretrained(
    "microsoft/Florence-2-large",
    torch_dtype=torch.float16,
    trust_remote_code=True
).to("cuda")
processor = AutoProcessor.from_pretrained("microsoft/Florence-2-large", trust_remote_code=True)

def process_image(image_path, task):
    image = Image.open(image_path)
    inputs = processor(text=task, images=image, return_tensors="pt").to("cuda", torch.float16)
    generated_ids = model.generate(
        input_ids=inputs["input_ids"],
        pixel_values=inputs["pixel_values"],
        max_new_tokens=1024
    )
    result = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
    return processor.post_process_generation(result, task=task, image_size=image.size)

# Verzeichnis verarbeiten
input_dir = "./images"
results = {}

for filename in os.listdir(input_dir):
    if not filename.endswith(('.jpg', '.png')):
        continue

    path = os.path.join(input_dir, filename)
    results[filename] = {
        "caption": process_image(path, "<CAPTION>"),
        "objects": process_image(path, "<OD>"),
        "text": process_image(path, "<OCR>")
    }
    print(f"Verarbeitet: {filename}")

with open("results.json", "w") as f:
    json.dump(results, f, indent=2)
```

## Gradio-Oberfläche

```python
import gradio as gr
from transformers import AutoProcessor, AutoModelForCausalLM
from PIL import Image, ImageDraw
import torch

model = AutoModelForCausalLM.from_pretrained(
    "microsoft/Florence-2-large",
    torch_dtype=torch.float16,
    trust_remote_code=True
).to("cuda")
processor = AutoProcessor.from_pretrained("microsoft/Florence-2-large", trust_remote_code=True)

def run_task(image, task):
    inputs = processor(text=task, images=image, return_tensors="pt").to("cuda", torch.float16)
    generated_ids = model.generate(
        input_ids=inputs["input_ids"],
        pixel_values=inputs["pixel_values"],
        max_new_tokens=1024
    )
    result = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
    parsed = processor.post_process_generation(result, task=task, image_size=image.size)

    # Boxen zeichnen, wenn es sich um eine Erkennungsaufgabe handelt
    output_image = image.copy()
    if task in ["<OD>", "<DENSE_REGION_CAPTION>"]:",
        draw = ImageDraw.Draw(output_image)
        if "bboxes" in parsed.get(task, {}):
            for box, label in zip(parsed[task]["bboxes"], parsed[task]["labels"]):
                draw.rectangle(box, outline="red", width=2)
                draw.text((box[0], box[1]-15), label, fill="red")

    return output_image, str(parsed)

demo = gr.Interface(
    fn=run_task,
    inputs=[
        gr.Image(type="pil", label="Eingabebild"),
        gr.Dropdown(
            choices=["<CAPTION>", "<DETAILED_CAPTION>", "<OD>", "<DENSE_REGION_CAPTION>", "<OCR>"],
            value="<CAPTION>",
            label="Aufgabe"
        )
    ],
    outputs=[
        gr.Image(label="Ergebnis"),
        gr.Textbox(label="Ausgabe", lines=10)
    ],
    title="Florence-2 Vision-KI",
    description="Multitasking-Visionmodell. Läuft auf den GPU-Servern von CLORE.AI."
)

demo.launch(server_name="0.0.0.0", server_port=7860)
```

## Leistung

| Aufgabe                 | Auflösung | GPU      | Geschwindigkeit |
| ----------------------- | --------- | -------- | --------------- |
| Bildbeschreibung        | 768x768   | RTX 3090 | 200ms           |
| Bildbeschreibung        | 768x768   | RTX 4090 | 120ms           |
| Objekterkennung         | 768x768   | RTX 4090 | 150ms           |
| OCR                     | 768x768   | RTX 4090 | 180ms           |
| Dichte Bildbeschreibung | 768x768   | A100     | 100ms           |

## Modellvarianten

| Modell              | Parameter | VRAM | Geschwindigkeit |
| ------------------- | --------- | ---- | --------------- |
| Florence-2-base     | 232M      | 4 GB | Schnell         |
| Florence-2-large    | 771M      | 8 GB | Mittel          |
| Florence-2-base-ft  | 232M      | 4 GB | Schnell         |
| Florence-2-large-ft | 771M      | 8 GB | Mittel          |

## Häufige Probleme & Lösungen

### Speicher erschöpft

**Problem:** CUDA-Out-of-Memory-Fehler

**Lösungen:**

```python

# Verwende das Base-Modell statt des Large-Modells
model = AutoModelForCausalLM.from_pretrained(
    "microsoft/Florence-2-base",
    torch_dtype=torch.float16,
    trust_remote_code=True
).to("cuda")

# Oder CPU-Offload aktivieren
model = AutoModelForCausalLM.from_pretrained(
    "microsoft/Florence-2-large",
    torch_dtype=torch.float16,
    trust_remote_code=True,
    device_map="auto"
)
```

### Langsame Inferenz

**Problem:** Die Verarbeitung dauert zu lange

**Lösungen:**

* Verwende Florence-2-base für schnellere Inferenz
* Installiere flash-attention für mehr Geschwindigkeit
* Verarbeite mehrere Bilder im Batch
* Verwende A100-GPU für den Produktionseinsatz

```bash
pip install flash-attn --no-build-isolation
```

### Schlechte OCR-Ergebnisse

**Problem:** Die Texterkennung ist ungenau

**Lösungen:**

* Stelle sicher, dass das Bild hochauflösend ist (mindestens 768 px)
* Verwende `<OCR_WITH_REGION>` für bessere Lokalisierung
* Vorverarbeitung: Kontrast verstärken, Bild entzerren
* Vor der OCR auf Textbereiche zuschneiden

### Objekte werden bei der Erkennung nicht gefunden

**Problem:** Objekte nicht erkannt

**Lösungen:**

* Verwende `<DENSE_REGION_CAPTION>` für mehr Regionen
* Versuche `<OPEN_VOCABULARY_DETECTION>` mit spezifischen Labels
* Mit GroundingDINO für bestimmte Objekte kombinieren

## Fehlerbehebung

### Aufgabe funktioniert nicht

* Überprüfe die exakte Syntax des Aufgabennamens
* Einige Aufgaben benötigen ein bestimmtes Eingabeformat
* Überprüfe, ob die Modellversion zur Aufgabe passt

### Unerwartetes Ausgabeformat

* Verschiedene Aufgaben geben unterschiedliche Formate zurück
* Analysiere die Ausgabe entsprechend dem Aufgabentyp
* Prüfe die Dokumentation zu den Ausgaben der Aufgabe

### CUDA-Speicherprobleme

* Florence-2-large benötigt ca. 8 GB VRAM
* Verwende Florence-2-base für geringeren Speicherbedarf
* Gradient Checkpointing aktivieren

### Langsame Verarbeitung

* Verwende nach Möglichkeit Batch-Inferenz
* FP16-Modus aktivieren
* TensorRT-Optimierung in Betracht ziehen

## Kostenschätzung

Übliche CLORE.AI-Marktplatzpreise (Stand 2024):

| GPU       | Stundensatz | Tagessatz | 4-Stunden-Sitzung |
| --------- | ----------- | --------- | ----------------- |
| RTX 3060  | \~$0.03     | \~$0.70   | \~$0.12           |
| RTX 3090  | \~$0.06     | \~$1.50   | \~$0.25           |
| RTX 4090  | \~$0.10     | \~$2.30   | \~$0.40           |
| A100 40GB | \~$0.17     | \~$4.00   | \~$0.70           |
| A100 80GB | \~$0.25     | \~$6.00   | \~$1.00           |

*Die Preise variieren je nach Anbieter und Nachfrage. Prüfen Sie* [*CLORE.AI-Marktplatz*](https://clore.ai/marketplace) *für aktuelle Preise.*

**Geld sparen:**

* Nutzen Sie den **Spot** Markt für unterbrechbare Arbeit — etwa ein Drittel der Server bietet Spot-Preise unter dem On-Demand-Preis (Median ca. 13 % Rabatt), der Rest ist gleichauf
* Bezahlen Sie mit **CLORE** Tokens
* Vergleichen Sie Preise zwischen verschiedenen Anbietern

## Nächste Schritte

* [LLaVA](/guides/guides_v2-de/computer-vision-modelle/llava-vision-language.md) - Visueller Chat und Fragebeantwortung
* [GroundingDINO](/guides/guides_v2-de/computer-vision-modelle/groundingdino.md) - Zero-Shot-Erkennung
* [SAM2](/guides/guides_v2-de/computer-vision-modelle/sam2-video.md) - Erkannte Objekte segmentieren


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-de/computer-vision-modelle/florence2.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.