摘要

Florence-2有两个版本（230M和770M），在多个知名基准测试中表现出色，零样本学习的表现高于同类模型，总下载量已超过120万。

Florence-2使用了超大的数据集FLD-5B，包含1.26亿张图像和54亿个数据标注。该数据集利用自动化图像标注技术和模型迭代结合，确保了数据的高质量和多样性。

Florence-2基于Transformer，并采用序列到序列（seq2seq）的学习方法，由编码器和解码器组成，编码器负责将图像转换为序列表示，解码器将这些表示转换为输出文本。

研究人员在COCO、ADE20K、Flickr30k Entities等基准测试平台上对Florence-2进行了综合评估。结果显示，无论是在零样本学习还是微调学习设置下，Florence-2都展现出了卓越的性能，特别是在微调后，其性能与更大参数的专业模型相媲美。

微软Azure AI 团队宣布开源视觉模型——Florence-2。

据悉，Florence-2是一个多功能视觉模型，可提供图像描述、目标检测、视觉定位、图像分割等。

例如，上传一张风景照片，让其解读一下图片的内容；或者上传一张超市货架的照片，让其精准找出牛奶的所在位置。

Florence-2一共有230M和770M两个版本，在多个知名基准测试中零样本的表现非常出色高于同类模型。目前，Florence-2的总下载量已超过120万非常火爆。

开源地址：https://huggingface.co/microsoft/Florence-2-large

在线demo：https://huggingface.co/spaces/gokaygokay/Florence-2

Florence-2之所以拥有如此多的视觉功能和强大的泛化能力，是因为使用了一个超大的数据集FLD-5B，包含1.26亿张图像和54亿个数据标注。

同时该数据集使用了自动化图像标注技术与模型迭代的结合，通过多个模型协作确保了数据的高质量和多样性。

模型架构方面，Florence-2基于Transformer并采用了序列到序列（seq2seq）的学习方法，模型的这一部分由编码器和解码器组成，编码器负责将图像转换为序列表示，而解码器则将这些表示转换为输出文本。

这种设计不仅提高了模型处理任务的灵活性，也使得模型能够以一种统一的方式来处理各种视觉任务。

其他关键模块包括：图像编码器，主要负责将输入图像转换为视觉token嵌入；Florence-2使用DaViT作为图像编码器，这种编码器通过注意力机制捕捉图像特征，为后续的处理提供了丰富的视觉信息。

多模态编码器-解码器，采用标准的Transformer架构，通过自注意力机制实现多模态信息的融合。这种融合使得模型能够更好地理解和生成与视觉内容相关的文本。

位置编码，为Florence-提供了区域级别的空间信息，在目标检测和分割等任务中尤为重要，使得模型能够识别图像中的具体区域。

统一表示则是Florence-2的一大创新亮点，可将不同类型的视觉信息和语言信息包括图像描述、目标检测、视觉定位和分割等，整合到一个统一的框架中，帮助模型在不同的任务之间共享知识，提高学习效率。

为了评测Florence-2的性能，研究人员在COCO、ADE20K、Flickr30k Entities等知名基准测试平台进行了综合评估。

结果显示，Florence-2在零样本学习和微调学习设置下都展现出了卓越的性能，例如，在COCO目标检测和实例分割任务中，它超越了先前的最佳模型，显示了更强的识别精度和分割能力。

在ADE20K语义分割测试任务中，模型也展示了优越的表现，表明其不仅在高层语义理解上有出色表现，对于底层细节的捕捉同样精准。

尤其是在微调后，Florence-2在公共基准测试中的性能与更大参数的专业模型相媲美。