Florence-2

कैप्शनिंग, डिटेक्शन और सेगमेंटेशन के लिए Microsoft Florence-2

कैप्शनिंग, डिटेक्शन, सेगमेंटेशन और अधिक के लिए Microsoft का शक्तिशाली विजन मॉडल।

सभी उदाहरण GPU सर्वरों पर चलाए जा सकते हैं जिन्हें द्वारा किराए पर लिया गया है CLORE.AI मार्केटप्लेस.

इस मार्गदर्शिका के सभी उदाहरणों को GPU सर्वरों पर चलाया जा सकता है जिन्हें के माध्यम से किराए पर लिया जाता है CLORE.AI मार्केटप्लेस मार्केटप्लेस।

CLORE.AI पर किराये पर लेना

1. पर जाएँ CLORE.AI मार्केटप्लेस

2. GPU प्रकार, VRAM, और मूल्य के अनुसार फ़िल्टर करें

3. चुनें ऑन-डिमांड (निश्चित दर) या स्पॉट (बिड प्राइस)

4. अपना ऑर्डर कॉन्फ़िगर करें:

   • Docker इमेज चुनें

   • पोर्ट सेट करें (SSH के लिए TCP, वेब UI के लिए HTTP)

   • यदि आवश्यक हो तो एनवायरनमेंट वेरिएबल जोड़ें

   • स्टार्टअप कमांड दर्ज करें

5. भुगतान चुनें: CLORE, BTC, या USDT/USDC

6. ऑर्डर बनाएं और डिप्लॉयमेंट का इंतज़ार करें

अपने सर्वर तक पहुँचें

• कनेक्शन विवरण में खोजें मेरे ऑर्डर

• वेब इंटरफेस: HTTP पोर्ट URL का उपयोग करें

• SSH: ssh -p <port> root@<proxy-address>

Florence-2 क्या है?

Microsoft का Florence-2 एक विजन फाउंडेशन मॉडल है जो संभालता है:

• इमेज कैप्शनिंग (संक्षिप्त और विस्तृत)

• ऑब्जेक्ट डिटेक्शन और लोकलाइज़ेशन

• डेंस रीजन कैप्शनिंग

• रिफरिंग एक्सप्रेशन कंप्रीहेंशन

• OCR और टेक्स्ट रिकग्निशन

• विजुअल क्वेश्चन आंसरिंग

संसाधन

• HuggingFace: microsoft/Florence-2-large

• पेपर: Florence-2 पेपर

• GitHub: microsoft/Florence-2

• डेमो: HuggingFace Space

अनुशंसित हार्डवेयर

घटक	न्यूनतम	अनुशंसित	सर्वोत्तम
GPU	RTX 3060 12GB	RTX 4080 16GB	RTX 4090 24GB
VRAM	8GB	12GB	16GB
CPU	4 कोर	8 कोर	16 कोर
RAM	16GB	32GB	64GB
स्टोरेज	30GB SSD	50GB NVMe	100GB NVMe
इंटरनेट	100 Mbps	500 Mbps	1 Gbps

CLORE.AI पर त्वरित डिप्लॉय

Docker इमेज:

pytorch/pytorch:2.5.1-cuda12.4-cudnn9-devel

पोर्ट:

22/tcp
7860/http

कमांड:

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')
"

अपनी सेवा तक पहुँचना

डिप्लॉयमेंट के बाद, अपना खोजें http_pub URL में मेरे ऑर्डर:

1. जाएँ मेरे ऑर्डर पृष्ठ

2. अपने ऑर्डर पर क्लिक करें

3. खोजें http_pub URL (उदा., abc123.clorecloud.net)

उपयोग करें https://YOUR_HTTP_PUB_URL की बजाय localhost नीचे दिए उदाहरणों में।

इंस्टॉलेशन

pip install transformers accelerate einops timm
pip install flash-attn --no-build-isolation  # वैकल्पिक, तेज़ इनफ़रेंस के लिए

आप क्या बना सकते हैं

कंटेंट विश्लेषण

• इमेज विवरण स्वचालित रूप से जनरेट करें

• छवियों से टेक्स्ट निकालें (OCR)

• स्केल पर विजुअल कंटेंट का विश्लेषण करें

डेटा एनोटेशन

• कैप्शन के साथ डेटासेट्स को स्वचालित रूप से लेबल करें

• ऑब्जेक्ट्स के लिए बाउंडिंग बॉक्स जनरेट करें

• डेंस एनोटेशन बनाएं

एक्सेसिबिलिटी

• छवियों के लिए ऑल्ट-टेक्स्ट जनरेट करें

• दृष्टिहीनों के लिए छवियों का वर्णन करें

• ऑडियो विवरण बनाएं

सर्च और डिस्कवरी

• कंटेंट द्वारा इमेजेस का इंडेक्स बनाएं

• विज़ुअल सर्च सिस्टम बनाएं

• कंटेंट मॉडरेशन

डॉक्यूमेंट प्रोसेसिंग

• डॉक्यूमेंट्स से टेक्स्ट निकालें

• चार्ट और डायग्राम समझें

• स्कैन किए गए सामग्री को प्रोसेस करें

मूल उपयोग

इमेज कैप्शनिंग

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")

# संक्षिप्त कैप्शन
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)

# आउटपुट: {'<CAPTION>': 'A dog playing in the park'}

# विस्तृत कैप्शन
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)

ऑब्जेक्ट डिटेक्शन

task = "<OD>"  # ऑब्जेक्ट डिटेक्शन
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)

# आउटपुट: {'<OD>': {'bboxes': [[x1, y1, x2, y2], ...], 'labels': ['dog', 'ball', ...]}}

OCR (टेक्स्ट रिकग्निशन)

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)

# आउटपुट: {'<OCR>': 'Text found in the image...'}

डेंस रीजन कैप्शनिंग

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)

# आउटपुट: {'<DENSE_REGION_CAPTION>': {'bboxes': [...], 'labels': ['a brown dog running', 'green grass', ...]}}

रिफरिंग एक्सप्रेशन कंप्रीहेंशन

टेक्स्ट विवरण के आधार पर ऑब्जेक्ट खोजें:

task = "<CAPTION_TO_PHRASE_GROUNDING>"
text_input = "the red car on the left"

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)

# यह "the red car on the left" का बाउंडिंग बॉक्स लौटाता है

सभी उपलब्ध टास्क

TASKS = [
    "<CAPTION>",                    # संक्षिप्त कैप्शन
    "<DETAILED_CAPTION>",           # विस्तृत विवरण
    "<MORE_DETAILED_CAPTION>",      # बहुत विस्तृत विवरण
    "<OD>",                          # ऑब्जेक्ट डिटेक्शन
    "<DENSE_REGION_CAPTION>",       # रीजन विवरण
    "<REGION_PROPOSAL>",            # रुचि के क्षेत्रों का प्रस्ताव
    "<CAPTION_TO_PHRASE_GROUNDING>", # टेक्स्ट से ऑब्जेक्ट खोजें
    "<REFERRING_EXPRESSION_SEGMENTATION>", # टेक्स्ट से सेगमेंटेशन
    "<REGION_TO_SEGMENTATION>",     # निर्दिष्ट क्षेत्र का सेगमेंट करें
    "<OPEN_VOCABULARY_DETECTION>",  # टेक्स्ट लेबल के साथ डिटेक्ट करें
    "<REGION_TO_CATEGORY>",         # क्षेत्र को वर्गीकृत करें
    "<REGION_TO_DESCRIPTION>",      # क्षेत्र का वर्णन करें
    "<OCR>",                         # टेक्स्ट निकालें
    "<OCR_WITH_REGION>",            # स्थान के साथ टेक्स्ट निकालें
]

बैच प्रोसेसिंग

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)

# निर्देशिका प्रोसेस करें
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"Processed: {filename}")

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

Gradio इंटरफ़ेस

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)

    # यदि डिटेक्शन टास्क है तो बॉक्स ड्रॉ करें
    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="इनपुट इमेज"),
        gr.Dropdown(
            choices=["<CAPTION>", "<DETAILED_CAPTION>", "<OD>", "<DENSE_REGION_CAPTION>", "<OCR>"],
            value="<CAPTION>",
            label="टास्क"
        )
    ],
    outputs=[
        gr.Image(label="परिणाम"),
        gr.Textbox(label="आउटपुट", lines=10)
    ],
    title="Florence-2 विज़न AI",
    description="मल्टी-टास्क विज़न मॉडल। CLORE.AI GPU सर्वरों पर चल रहा है."
)

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

प्रदर्शन

कार्य	रिज़ॉल्यूशन	GPU	स्पीड
कैप्शन	768x768	RTX 3090	200ms
कैप्शन	768x768	RTX 4090	120ms
ऑब्जेक्ट डिटेक्शन	768x768	RTX 4090	150ms
OCR	768x768	RTX 4090	180ms
डेंस कैप्शन	768x768	A100	100ms

मॉडल वेरिएंट

मॉडल	पैरामीटर	VRAM	स्पीड
Florence-2-base	232M	4GB	तेज़
Florence-2-large	771M	8GB	मध्यम
Florence-2-base-ft	232M	4GB	तेज़
Florence-2-large-ft	771M	8GB	मध्यम

सामान्य समस्याएँ और समाधान

आउट ऑफ़ मेमोरी

समस्या: CUDA OOM त्रुटि

समाधान:

# large के बजाय base मॉडल का उपयोग करें
model = AutoModelForCausalLM.from_pretrained(
    "microsoft/Florence-2-base",
    torch_dtype=torch.float16,
    trust_remote_code=True
).to("cuda")

# या CPU ऑफलोड सक्षम करें
model = AutoModelForCausalLM.from_pretrained(
    "microsoft/Florence-2-large",
    torch_dtype=torch.float16,
    trust_remote_code=True,
    device_map="auto"
)

धिमा इनफ़रेंस

समस्या: प्रोसेसिंग में बहुत समय लग रहा है

समाधान:

• तेज़ इनफ़रेंस के लिए Florence-2-base का उपयोग करें

• स्पीडअप के लिए flash-attention इंस्टॉल करें

• एक साथ कई इमेजेस को बैच करें

• प्रोडक्शन के लिए A100 GPU का उपयोग करें

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

खराब OCR परिणाम

समस्या: टेक्स्ट रिकग्निशन असटीक है

समाधान:

• सुनिश्चित करें कि इमेज हाई रेज़ोल्यूशन है (कम से कम 768px)

• उपयोग करें <OCR_WITH_REGION> बेहतर लोकलाइज़ेशन के लिए

• पूर्व-प्रोसेस: कंट्रास्ट बढ़ाएँ, इमेज को डेस्क्यू करें

• OCR से पहले टेक्स्ट क्षेत्रों को क्रॉप करें

डिटेक्शन में मिसिंग ऑब्जेक्ट्स

समस्या: ऑब्जेक्ट्स डिटेक्ट नहीं हो रहे हैं

समाधान:

• उपयोग करें <DENSE_REGION_CAPTION> अधिक क्षेत्रों के लिए

• आज़माएँ <OPEN_VOCABULARY_DETECTION> विशिष्ट लेबल के साथ

• विशिष्ट ऑब्जेक्ट्स के लिए GroundingDINO के साथ संयोजन करें

समस्याओं का निवारण

टास्क काम नहीं कर रहा

• सही टास्क नाम सिंटैक्स जांचें

• कुछ टास्क को विशिष्ट इनपुट फ़ॉर्मेट की आवश्यकता होती है

• सत्यापित करें कि मॉडल संस्करण टास्क से मेल खाता है

आउटपुट फ़ॉर्मेट अप्रत्याशित

• विभिन्न टास्क अलग-अलग फ़ॉर्मैट लौटाते हैं

• टास्क प्रकार के अनुसार आउटपुट को पार्स करें

• टास्क आउटपुट के लिए दस्तावेज़ीकरण जांचें

CUDA मेमोरी समस्याएँ

• Florence-2-large को ~8GB VRAM की आवश्यकता होती है

• कम मेमोरी के लिए Florence-2-base का उपयोग करें

• ग्रेडियेंट चेकपॉइंटिंग सक्षम करें

धीमा प्रोसेसिंग

• संभव हो तो बैच इनफ़रेंस का उपयोग करें

• FP16 मोड सक्षम करें

• TensorRT ऑप्टिमाइज़ेशन पर विचार करें

लागत अनुमान

सामान्य CLORE.AI मार्केटप्लेस दरें (2024 के अनुसार):

GPU	घंटात्मक दर	दैनिक दर	4-घंटे सत्र
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

कीमतें प्रदाता और मांग के अनुसार बदलती हैं। जाँच करें CLORE.AI मार्केटप्लेस वर्तमान दरों के लिए।

पैसे बचाएँ:

• उपयोग करें स्पॉट लचीले वर्कलोड के लिए मार्केट (अक्सर 30-50% सस्ता)

• भुगतान करें CLORE टोकन के साथ

• विभिन्न प्रदाताओं के बीच कीमतों की तुलना करें

अगले कदम

• LLaVA - विज़न चैट और QA

• GroundingDINO - ज़ीरो-शॉट डिटेक्शन

• SAM2 - डिटेक्ट किए गए ऑब्जेक्ट्स का सेगमेंट