一统视觉界的基础模型终于开源了！

最近，微软团队悄悄放出了Florence-2权重和代码，而且任何人皆可试玩。

去年11月，Florence-2首次发布之初，凭借惊艳的能力在全网掀起轩然大波。

只需要一个提示，就可以指示模型完成诸如字幕、对象检测、分割等各种各样的CV和CV语言任务。

Figure的首席执行官将其称之为，「计算机视觉领域的重大突破」。

在大多数基准中，Florence-2甚至打败了多数数十亿美元的模型，就像Phi-3一样，表明了数据质量非常重要。

现在，模型的所有权重代码，已经放在开源平台Hugging Face上了，还有MIT许可证，随取随用。

体验后的网友称，它就是许多视觉任务的游戏规则改变者，不仅有极高精度，还有炸裂的速度。

就看这铺屏的标注能力，简直强大到令人发指！

它竟然还可以识别出镜子。

更多精彩演示

Florence-2更多案例如下，高密度的区域标注，能够将复杂区域的精细内容完成识别。

能够根据提示，找到对应的内容。

OCR识别也是非常精准。

对电影海报的内容识别。

区域分割，可以精准将图像内容分割出来。

与GPT-4V等先进的多模态模型，在字幕任务上的比较。

Florence-2还能看图写小作文。

统一视觉基础模型

微软团队的这篇论文已经被CVPR 2024接收为Oral论文。

Florence-2最初的设计目的是，创建一个视觉基础模型，实现广泛的感知能力。

将文本提示作为任务指令，并以文本形式生成理想的结果，无论是字幕、物体检测、还是分割等等。

论文地址：https://arxiv.org/pdf/2311.06242

为了实现这一目标，研究人员在FLD-5B数据集上（1.26亿张图像上54亿个全面的视觉标注）对单个统一模型完成了训练。

接下来，一起看看Florence-2的设计架构和性能表现吧。

Florence-2架构

为了开发多功能视觉基础模型，研究人员制定了一系列多任务学习目标，每个目标都是为了解决视觉理解的特定方面而定制的。

多任务学习方法包含三个不同的学习目标，每个目标都解决不同级 别的粒度和语义理解：

- 图像级别的理解

- 区域/像素级别的识别

- 细粒度的视觉语义对齐任务

通过将这三个学习目标结合在多任务学习框架中，基础模型才可以学习处理不同级别的细节和语义理解。

这种战略调整使模型能够处理各种空间细节，区分理解中的细节层次，并超越表面层次的识别，最终学习视觉理解的通用表示。

如下图2所示，Florence-2采用了序列到序列的学习范式，将以上的描述的所有任务整合到一个通用语言目标之下。

模型接受图像与任务提示，作为指令输入，并以文本形式生成期望的结果。

Florence-2使用视觉编码器，将图像转换为视觉token嵌入，然后将其与文本嵌入凭借，并由基于Transformer的多模态编码器-解码器处理生成的响应。

数据引擎

为了训练Florence-2模型，研究人员需要一个全面、大规模、高质量的多任务数据集，覆盖了各种图像数据。

鉴于这种数据的稀缺性，他们由此创建了全新的多任务图像数据集——FLD-5B。

这一数据集中包含了1.26亿张图像、5亿个文本标注、13亿个文本-图像区域标注，以及36亿个文本短语-图像区域标注，跨横跨了不同的任务。

Florence-2数据引擎一共包含三个重要环节：

1) 使用专业模型进行初始标注

2) 数据过滤，纠正错误并移除无关标注

3) 迭代式的数据优化过程

这是FLD-5B数据集中一张图像及其相应标注的示例图。

FLD-5B中的每一张图像都由Florence数据引擎标注了文本、图像区域-文本对以及文本短语-图像区域三元组，涵盖了多个空间层次、从概括到详细的渐进粒度，以及多语义，让模型从不同角度实现了更全面的视觉理解能力。

这一个文本短语-图像区域标注的示例。

研究人员在表1中，提供了数据集与现有训练基础模型数据集之间的对比。

与之前的数据集相比，FLD-5B的数据集优势在于，在总标注数量和每张图像标注数量非常大。

更重要的是，FLD-5B数据集中标注涵盖了多个空间和语义细粒度，有利于训出模型实现更广泛和深入的视觉理解能力。

表3是FLD-5B数据集中，关于语义元素平均数量及相应复杂度的统计信息。

性能刷新SOTA，赶超前沿模型

在如此庞大的数据集之上完成训练后，Florence-2的性能表现又如何？

接下来，研究人员开展的实验主要分为三个部分：

- 评估模型在各种任务上的零样本表现，以展示通用模型处理多任务的内在能力，而无需在任务特定数据上进行额外的微调。

- 通过额外监督数据进一步微调，展示Florence-2的适应性和最佳性能

- 作为下游任务骨干网络时的卓越表现，证明了Florence-2预训练方法的有效性。

在零样本多任务评估中，对于图像级任务，Florence-2-L在COCO字幕基准测试中获得了135.6 CIDEr分数，而且参数量仅为Flamingo模型（800亿参数）的1%左右。

对于区域级的groundng和指代表达理解任务，Florence-2-L刷新了SOTA。

在Flickr30k Recall@1上，它比16亿参数的Kosmos-2模型提高了5.7，在Refcoco、Refcoco+和Refcocog上分别比其提高了约4%、8%和8%的绝对值。

简单的设计带来了强大的性能。

Florence-2采用了标准的多模态Transformer编码器-解码器架构，无需特殊设计，尤其在区域级和像素级任务上，性能飙升。

比如，在RefCOCO指代表达理解任务和指代表达分割任务上，Florence-2-L相比PolyFormer模型，分别提高了3.0 Accuracy@0.5和3.54的mIOU。

此外，Florence-2-L在无需使用LLM的情况下，就能取得有竞争力的性能表现，展现了在处理多样化任务时兼具效率和紧凑高效模型的优势。

例如，在COCO字幕Karpathy测试集上，Florence-2-L获得了140.0的CIDEr分数，超过了参数量明显更多的模型，如80亿参数的Flamingo（CIDEr分数为138.1）。

表6展示了，专家模型和通才模型在区域级任务上，Florence-2-L和Florence-2-B的表现。

专家模型是指专门针对每个任务进行微调的模型，而通才模型表示以与任务无关的方式进行微调的单个模型，适用于所有任务。

在COCO对象检测和分割，以及ADE20K语义分割任务的模型训练效率如下。

表7呈现了，使用Mask-RCNN框架的COCO目标检测和实例分割结果，以及使用DINO-4scale框架的COCO目标检测结果。

微调模型在COCO和ADE20K数据集上的下游任务表现。

研究人员使用三个不同版本的Florence-2模型进行了实验，每个版本都在不同级别的图像标注数据上训练:图像级、图像和区域级、图像、区域和像素级。

然后，他们评估了这些模型在四个下游任务上的迁移学习性能：COCO字幕、COCO目标检测、Flickr30k grounding和Refcoco指代分割。

具体表现，如下所示。

总的来说，Florence-2是一种具备多种感知能力的基础视觉模型，通过构建大规模多标注数据集FLD-5B，并进行多任务预训练，赋予了模型强大的零样本和任务迁移能力。

Florence-2在诸多视觉任务上表现出色，推进了视觉基础模型的发展。

文章来源于“新智元”