/ Модель

Характеристики

Контекст
8 192 токена
Параметры
2,5 млрд
Размер весов
6,8 ГБ
Архитектура
ferret_gemma · dense
Библиотека
transformers
Опубликована
9 окт 2024

Ferret-UI-Gemma2b

Генерация текстаТекст → текст3 профессии

Мультимодальная модель на базе Gemma-2B для поиска, привязки и анализа элементов пользовательского интерфейса по скриншотам.

160скачиваний за 30 дней53лайкавеса обновлены18 окт 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ferret-UI-Gemma2b — мультимодальная модель для понимания пользовательских интерфейсов, разработанная в рамках проекта Ferret-UI. Это версия на базе Gemma-2B с архитектурой FerretGemmaForCausalLM и примерно 2,5 млрд параметров. Модель принимает изображения интерфейсов и текстовые запросы, чтобы находить и описывать элементы, связывать упоминания с областями экрана и рассуждать о выполнении сложных задач в интерфейсе.

Модель предназначена для анализа скриншотов и выполнения задач, связанных с UI. Карточка не указывает поддерживаемые языки; контекст составляет 8192 токена. Для запуска README предлагает локально скачать вспомогательные файлы и использовать Transformers. Репозиторий содержит веса Safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

  • поиск элемента интерфейса на скриншоте по текстовому описанию
  • привязка названия кнопки или поля к его области на экране
  • ответы на вопросы о содержимом скриншота приложения
  • анализ интерфейса для выполнения многошаговых UI-задач

Ограничения

Карточка не описывает точность, перечень поддерживаемых языков или результаты оценки. Для запуска требуются вспомогательные файлы, которые README предлагает скачать отдельно.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Ferret-UI is the first UI-centric multimodal large language model (MLLM) designed for referring, grounding, and reasoning tasks. Built on Gemma-2B and Llama-3-8B, it is capable of executing complex UI tasks. This is the Gemma-2B version of ferret-ui. It follows from this paper by Apple.

How to Use 🤗📱

You will need first to download builder.py, conversation.py, inference.py, model_UI.py, and mm_utils.py locally.

wget https://huggingface.co/jadechoghari/Ferret-UI-Gemma2b/raw/main/conversation.py
wget https://huggingface.co/jadechoghari/Ferret-UI-Gemma2b/raw/main/builder.py
wget https://huggingface.co/jadechoghari/Ferret-UI-Gemma2b/raw/main/inference.py
wget https://huggingface.co/jadechoghari/Ferret-UI-Gemma2b/raw/main/model_UI.py
wget https://huggingface.co/jadechoghari/Ferret-UI-Gemma2b/raw/main/mm_utils.py

Usage:

from inference import inference_and_run
image_path = "appstore_reminders.png"
prompt = "Describe the image in details"

# Call the function without a box
inference_text = inference_and_run(image_path, prompt, conv_mode="ferret_gemma_instruct", model_path="jadechoghari/Ferret-UI-Gemma2b")

# Output processed text
print("Inference Text:", inference_text)
# Task with bounding boxes
image_path = "appstore_reminders.png"
prompt = "What's inside the selected region?"
box = [189, 906, 404, 970]

inference_text = inference_and_run(
    image_path=image_path, 
    prompt=prompt, 
    conv_mode="ferret_gemma_instruct", 
    model_path="jadechoghari/Ferret-UI-Gemma2b", 
    box=box
)
# you could also pass process_image=True
# to output: processed_image, inference_text = inference_and_run(...., process_image=True)

print("Inference Text:", inference_text)
# GROUNDING PROMPTS
GROUNDING_TEMPLATES = [
	'\nProvide the bounding boxes of the mentioned objects.',
 	'\nInclude the coordinates for each mentioned object.',
	'\nLocate the objects with their coordinates.',
	'\nAnswer in [x1, y1, x2, y2] format.',
	'\nMention the objects and their locations using the format [x1, y1, x2, y2].',
	'\nDraw boxes around the mentioned objects.',
	'\nUse boxes to show where each thing is.',
	'\nTell me where the objects are with coordinates.',
	'\nList where each object is with boxes.',
	'\nShow me the regions with boxes.'
]

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
FerretGemmaForCausalLM
Ревизия весов
28bcebb

0 моделей