Florence-2-base-PromptGen-v1.5 - 增强图像标签精度与处理效率的创新工具

Florence-2-base-PromptGen v1.5项目介绍

项目概述

Florence-2-base-PromptGen v1.5是PromptGen工具的一次重大升级，为图像标注和描述任务提供了强大的支持。此版本引入了两条新的描述指令：<GENERATE_TAGS>和<MIXED_CAPTION>，并显著提高了准度，这归因于更新后的训练数据集，不再依赖于Civitai数据，从而避免了由误解造成的lora触发词和不准确标签的问题。

关于PromptGen

Florence-2-base-PromptGen是专为MiaoshouAI Tagger for ComfyUI训练的模型，是一个先进的图像描述工具，基于微软的Florence-2模型进行精细调优。

引入新标记模型的原因

目前大多数视觉识别模型主要用于一般的视觉识别，但在执行提示语生成和图像标记时，描述的格式和细节要求不同。Florence-2-base-PromptGen专为改善提示语和标记工作中的体验和准确性而训练，基于经过清理的Civitai标记的图像进行训练，最终标记结果是用于生成这些图像的提示语，从而避免产生像“这是关于一个女孩的图像...”这样的烦人描述。

主要特点

使用<MORE_DETAILED_CAPTION>指令时，对图像进行详细描述。
使用<DETAILED_CAPTION>指令时，创建含有主体位置结构化信息的描述，并能读取图像文字，有助于重现场景。
相较其他模型，内存使用效率更高！这是一款非常轻量级的描述模型，仅需约1G的显存便能快速生成高质量图像描述。
设计用于处理Flux模型的图像描述，支持T5XXL CLIP和CLIP_L，两者都可以在一次生成中初始化，有效提升使用Flux模型时的处理速度。

使用说明

<GENERATE_TAGS>：生成Danbooru风格标签
<CAPTION>：生成图像的一行说明
<DETAILED_CAPTION>：生成结构化的图像说明，并检测图片中主体位置
<MORE_DETAILED_CAPTION>：生成非常详细的图像描述
<MIXED_CAPTION>：生成混合描述，在使用T5XXL和CLIP_L时尤为有用

版本历史

在1.5版本中，有以下改进：

<GENERATE_PROMPT>被弃用并替换为<GENERATE_TAGS>
新增<MIXED_CAPTION>指令
<DETAILED_CAPTION>和<MORE_DETAILED_CAPTION>的准确性显著提高
增强了对图像水印的识别能力

如何使用

用户可以通过Hugging Face Model Hub直接加载该模型：

from PIL import Image
import requests
from transformers import AutoModelForCausalLM, AutoProcessor

model = AutoModelForCausalLM.from_pretrained("MiaoshouAI/Florence-2-base-PromptGen-v1.5", trust_remote_code=True)
processor = AutoProcessor.from_pretrained("MiaoshouAI/Florence-2-base-PromptGen-v1.5", trust_remote_code=True)

prompt = "<MORE_DETAILED_CAPTION>"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(text=prompt, images=image, return_tensors="pt").to(device)

generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024,
    do_sample=False,
    num_beams=3
)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]

parsed_answer = processor.post_process_generation(generated_text, task=prompt, image_size=(image.width, image.height))

print(parsed_answer)

在MiaoshouAI Tagger ComfyUI下使用

用户可以使用ComfyUI-Miaoshouai-Tagger来运行此模型，详细的使用和安装说明已经发布在相关GitHub页面上。如果已安装MiaoshouAI Tagger，需要先在ComfyUI Manager中更新节点，或使用git pull获取最新更新。