/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
florence2 · dense
Базовая модель
Florence-2-base-ft
Библиотека
transformers
Опубликована
7 июл 2026

florence2-base-0.5b-detection

Изображение и текст → текст3 профессии

Компактная визуально-языковая Florence-2, дообученная для обнаружения объектов на изображениях и вспомогательных задач визуального вопросно-ответного поиска.

10скачиваний за 30 дней0лайковвеса обновлены7 июл 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Florence-2-base-0.5B — компактная визуально-языковая модель семейства Florence-2, дообученная разработчиком репозитория neuromorphic-research на основе florence-community/Florence-2-base-ft. Модель содержит около 0,23 млрд параметров и предназначена прежде всего для обнаружения объектов на изображениях: README сообщает о результате mAP 0,438 на 150 изображениях COCO val2017 в описанном авторами сравнении. Также заявлена поддержка визуального вопросно-ответного режима и поиска объектов по текстовому описанию.

Модель принимает изображения и текстовые запросы, а формирует текстовое представление результатов визуальных задач, в том числе обнаруженных объектов и ответов на вопросы. Обучение включало COCO, RefCOCO, VQAv2, GQA, TallyQA и PixMo-Count. По заявлению авторов, модель сильна именно в обнаружении объектов; в сравнении из README она уступает Qwen3-VL-4B на VQA и grounding. Репозиторий использует Transformers и формат safetensors. Лицензия — MIT.

Сценарии применения

  • обнаружение объектов на изображениях
  • подсчёт объектов на сцене
  • поиск объекта на изображении по текстовому запросу
  • ответы на вопросы по изображению
  • оценка и сравнение качества детекции на COCO

Ограничения

Сильная сторона модели — обнаружение объектов; по данным README, на VQA и referring-grounding она уступает Qwen3-VL-4B. Результат COCO приведён для 150 изображений и описанного авторами тестового сценария.

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

Florence-2-base-0.5B — beats Qwen3-VL-4B on COCO detection

A 0.23B vision-language model (Florence-2-base-ft, fine-tuned) that beats the ~9×-larger Qwen3-VL-4B-Instruct on exhaustive COCO object detection — well under a 0.5B budget.

Headline result (identical images, identical harness, pycocotools)

COCO val2017 detection (mode A)mAP@[.5:.95]AP50AR100
This model (0.23B)0.4380.5740.504
Qwen3-VL-4B (4.0B)0.3900.5310.441

+0.048 mAP (+12% relative) vs a model ~9× its size, on the same 150 val images with a byte-identical parser/matcher/scorer. Driven by Florence-2's detection-native architecture (high recall, precise boxes) vs a generalist VLM's low-recall autoregressive box output.

Full honest head-to-head vs Qwen3-VL-4B

TaskMetricThis modelQwen3-VL-4B
COCO detectionmAP0.438 ✅0.390
VQAv2acc0.7750.815
GQAexact match0.4860.622
TallyQAcount EM0.7790.844
PixMo-Countcount EM0.6150.651
RefCOCO/+/gacc@0.50.800.90

Scope (honest): this model wins object detection. It does not beat the 4B on VQA or referring-grounding — a 0.5B model has capacity for one strong capability, not both. Detection is where a small detection-native model genuinely outperforms a much larger generalist. (Established across ~10 experiments and both architectures; chat VLMs of this size get COCO mAP ~0.03.)

Usage

import torch
from transformers import Florence2ForConditionalGeneration, AutoProcessor
from PIL import Image

model_id = "neuromorphic-research/florence2-base-0.5b-detection"
model = Florence2ForConditionalGeneration.from_pretrained(model_id, dtype=torch.bfloat16).to("cuda").eval()
proc = AutoProcessor.from_pretrained(model_id)

image = Image.open("image.jpg").convert("RGB")
inputs = proc(text="<OD>", images=image, return_tensors="pt").to("cuda", torch.bfloat16)
out = model.generate(input_ids=inputs["input_ids"], pixel_values=inputs["pixel_values"],
                     max_new_tokens=1024, num_beams=3)
text = proc.batch_decode(out, skip_special_tokens=False)[0]
print(proc.post_process_generation(text, task="<OD>", image_size=image.size))

Also supports <OPEN_VOCABULARY_DETECTION>, <CAPTION_TO_PHRASE_GROUNDING>, and short-answer VQA.

Training

Fine-tuned from florence-community/Florence-2-base-ft on a multi-task mix: COCO detection (all-class + per-class), RefCOCO/+/g grounding, VQAv2, GQA, TallyQA, PixMo-Count. bf16, LR 4e-6 (vision tower 2e-6), gradient checkpointing. License: MIT (inherits Florence-2-base-ft).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Florence2ForConditionalGeneration
Ревизия весов
9662902

0 моделей