/ Модель

Характеристики

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

Images_captioning_fine_tune_Florence-2-base

Описание изображенийИзображение → текст

LoRA-дообучение Florence-2-base, создающее подробные подписи на кхмерском языке к изображениям обычных сцен.

17скачиваний за 30 дней1лайквеса обновлены16 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 «Распознавание текста» — 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

Это модель для создания подписей к изображениям на кхмерском языке, разработанная Phonsobon дообучением Florence-2-base от Microsoft. Она принимает изображение и генерирует подробное текстовое описание обычной сцены: например, пейзажа, людей, храма, рынка или еды. Для адаптации использован LoRA на наборе phonsobon/khmer_images_captioning_v2; архитектура — Florence-2, веса представлены в формате safetensors.

Модель предназначена для изображений, похожих на обучающие примеры, и не рассчитана на специализированные области вроде медицины или спутниковой съёмки. Кхмерская речь может быть недостаточно плавной, а описания могут содержать вымышленные детали. Лицензия — MIT.

Сценарии применения

  • подписи на кхмерском к фотографиям пейзажей
  • описание изображений храмов и достопримечательностей
  • создание кхмерских подписей к фотографиям рынков и еды
  • описание сцен с людьми на кхмерском языке

Ограничения

Качество и беглость кхмерского текста могут варьироваться из-за ограниченного предварительного обучения токенизатора на кхмерском письме; модель может галлюцинировать детали. Не предназначена для критически важных решений и специализированных изображений, например медицинских или спутниковых.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Florence-2-base fine-tuned for Khmer Image Captioning

This model is a fine-tuned version of microsoft/Florence-2-base on the phonsobon/khmer_images_captioning_v2 dataset. It generates image captions in the Khmer language.

Model description

Florence-2 is a unified vision-language model from Microsoft that handles a range of vision tasks (captioning, detection, segmentation, OCR, etc.) using task-specific prompts. This model was fine-tuned specifically on the <MORE_DETAILED_CAPTION> task so that, given an image, it produces a detailed descriptive caption written in Khmer.

  • Base model: microsoft/Florence-2-base
  • Fine-tuning method: LoRA (via peft)
  • Task prompt used: <MORE_DETAILED_CAPTION>
  • Language: Khmer (km)

Intended uses & limitations

This model is intended for generating Khmer-language descriptions of general-scene photographs (landscapes, people, temples, markets, food, etc.), similar to the training distribution described below. It is not intended for:

  • Safety-critical decision making
  • Captioning of specialized domains not represented in the training data (e.g. medical imagery, satellite imagery)
  • Tasks requiring perfect factual accuracy (like any captioning model, it can hallucinate details)

Since Florence-2's original tokenizer was not heavily pretrained on Khmer script, caption quality and fluency may vary; feedback and further fine-tuning on more data is welcome.

Training data

The model was fine-tuned on phonsobon/khmer_images_captioning_v2:

SplitRows
train3,690
val977
test978

Each example consists of an image paired with a Khmer-language caption (caption length: 57–384 characters).

Training procedure

  • Base model: microsoft/Florence-2-base
  • Fine-tuning method: LoRA (rank 8, alpha 16, dropout 0.05) applied to attention projection layers
  • Task prompt: <MORE_DETAILED_CAPTION>
  • Epochs: 3
  • Effective batch size: 16 (batch size 4 × gradient accumulation 4)
  • Learning rate: 2e-4 (LoRA)
  • LR schedule: linear warmup (3%) + linear decay
  • Max target length: 1024 tokens
  • Precision: bf16 autocast
  • Hardware: Kaggle GPU (T4 / P100)

How to use

import torch
from transformers import AutoProcessor, AutoModelForCausalLM
from peft import PeftModel
from PIL import Image

base_model_id = "microsoft/Florence-2-base"
adapter_id = "phonsobon/Images_captioning_fine_tune_Florence-2-base"

processor = AutoProcessor.from_pretrained(adapter_id, trust_remote_code=True)
base_model = AutoModelForCausalLM.from_pretrained(base_model_id, trust_remote_code=True, torch_dtype=torch.float32)
model = PeftModel.from_pretrained(base_model, adapter_id)
model.eval()

image = Image.open("your_image.jpg").convert("RGB")
task_prompt = "<MORE_DETAILED_CAPTION>"

inputs = processor(text=task_prompt, images=image, return_tensors="pt")
generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024,
    num_beams=3,
    do_sample=False,
)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
caption = processor.post_process_generation(
    generated_text, task=task_prompt, image_size=(image.width, image.height)
)[task_prompt]

print(caption)

Evaluation

Citation

If you use this model, please cite the base Florence-2 model and this dataset:

@article{xiao2023florence2,
  title={Florence-2: Advancing a Unified Representation for a Variety of Vision Tasks},
  author={Xiao, Bin and Wu, Haiping and Xu, Weijian and Dai, Xiyang and Hu, Houdong and Lu, Yumao and Zeng, Michael and Liu, Ce and Yuan, Lu},
  journal={arXiv preprint arXiv:2311.06242},
  year={2023}
}

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
06a02e2

0 моделей