Florence-2 大模型

Florence-2-large-魔塔社区

Florence-2-Vision-Language-Model

视觉模型对比

部署 Florence-2-large

环境配置

conda create -n florence-2-large python=3.10

conda activate florence-2-large

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124

pip install six requests opencv-python-headless -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install einops timm pillow transformers accelerate -i https://pypi.tuna.tsinghua.edu.cn/simple

模型下载

pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple

# 模型
modelscope download --model AI-ModelScope/Florence-2-large --local_dir ./model-large

运行测试脚本

python test_florence_scene.py --image test_scene_720p.jpg --model model-large --output_dir outputs --max_segments 3

python test_florence_scene.py --image test_scene_1280x1280.jpg --model model-large --output_dir outputs --fast

# 增加识别目标
python test_florence_scene.py --image test_scene_1280x1280.jpg --model model-large --output_dir outputs --max_segments 20 --od_tokens 384 --dense_region_tokens 384 --seg_tokens 512

运行结果

(florence-2-large) xt@xt-2288H-V5:~/lixiaogang/Florence-2-large$ python test_florence_scene.py --image test_scene_1280x1280.jpg --model model-large --output_dir outputs --max_segments 20 --od_tokens 384 --dense_region_tokens 384 --seg_tokens 512
[INFO] 当前运行参数:
{
  "fast_mode": false,
  "image": "test_scene_1280x1280.jpg",
  "model": "model-large",
  "output_dir": "outputs",
  "exhaustive": false,
  "max_segments": 20,
  "caption_tokens": 64,
  "detailed_caption_tokens": 96,
  "od_tokens": 384,
  "dense_region_tokens": 384,
  "seg_tokens": 512,
  "proposal_tokens": 256,
  "region_to_category_tokens": 48,
  "max_proposals_classify": 20,
  "iou_dedup": 0.6
}
[INFO] 开始加载图片: test_scene_1280x1280.jpg
[INFO] 图片预处理完成: 1280x1280 -> 1280x1280, 耗时 0.020 秒
[INFO] 开始从本地目录加载模型: model-large
[INFO] 模型加载完成, Device: cuda:0, dtype: torch.float16, 耗时 1.852 秒
[INFO] 开始语义理解任务推理...
[TIME] <CAPTION> 耗时: 2.473 秒
[TIME] <DETAILED_CAPTION> 耗时: 0.616 秒
[TIME] <OD> 耗时: 0.389 秒
[TIME] <DENSE_REGION_CAPTION> 耗时: 0.337 秒
[TIME] 语义理解总耗时: 3.815 秒
[INFO] 联合 Prompt 融合: OD标签 5 条, Dense标签 4 条
[INFO] 分割目标类别: ['box', 'door', 'shelf', 'cardboard boxes', 'boxes', 'cardboard box with shipping label in warehouse', 'warehouse']
[TIME] 分割目标 'box' 耗时: 2.303 秒
[TIME] 分割目标 'door' 耗时: 1.912 秒
[TIME] 分割目标 'shelf' 耗时: 5.917 秒
[TIME] 分割目标 'cardboard boxes' 耗时: 4.537 秒
[TIME] 分割目标 'boxes' 耗时: 4.447 秒
[TIME] 分割目标 'cardboard box with shipping label in warehouse' 耗时: 2.172 秒
[TIME] 分割目标 'warehouse' 耗时: 2.133 秒
[TIME] 像素分割总耗时: 23.421 秒
[TIME] 结果保存与可视化耗时: 0.022 秒
[DONE] JSON result: outputs/test_scene_1280x1280_florence_result.json
[DONE] Segmentation overlay: outputs/test_scene_1280x1280_seg_overlay.jpg
[TIME] 全流程总耗时: 29.132 秒

当前问题

segmentation 极慢

根本原因 Florence-2 的 segmentation：

• 不是：直接输出 mask
• 而是：autoregressive polygon token generation

即：一个 token 一个 token 地生成边界点

因此：复杂物体 = token 爆炸

为什么Florence-2的语义识别只能识别出一部分物体

Florence-2 的语义识别并非“看不见”物体，而是受限于其训练机制、任务模式以及推理时的阈值设定。

Florence-2 不擅长像素分割

任务模式（Prompt）的选择冲突

Florence-2 是一个多任务模型，不同的指令（Task Prompt）会触发不同的注意力机制：

• (目标检测)： 它倾向于识别数据集中定义过的常见物体（如车、人、路灯）。
• (密集区域描述)： 这个模式下它会尝试找出图中几乎所有的显著物体。如果你只用了 ，它会漏掉很多“它认为不属于标准类别”的东西。
• (描述)： 它只会挑图中最重要的几个物体写成句子，次要物体会被直接忽略。

“显著性”过滤机制

Florence-2 在训练时使用的数据集（FLD-5B）虽然庞大，但它的标注逻辑是基于视觉显著性的。

• 模型会自动过滤掉背景中太小、太模糊或对当前语义不重要的物体。
• 无人配送挑战： 对于车而言，路边一个不起眼的纸箱是致命障碍物，但对于 Florence-2 这种视觉模型，它可能觉得那只是“背景噪音”的一部分。

序列生成的长度限制 (max_new_tokens)

这是一个技术上的硬限制。Florence-2 是通过生成文本（坐标和标签）来完成任务的：

• 模型输出的是一串类似 {“box_2d”: [12, 45, 67, 89], “label”: “car”} 的字符。
• 如果你设置的 max_new_tokens 太小（比如默认的 256 或 512），当图中物体非常多时，模型写到一半“字数超标”了，后面的物体就直接丢弃了。
• 建议： 在复杂路口场景，将 max_new_tokens 提升至 1024 或以上。

训练数据的“长尾分布”

虽然它泛化能力强，但它对非结构化物体的定义依然不够清晰。

• 结构化物体： 车辆、行人、交通标线。模型很有信心。
• 非结构化物体： 洒在路上的沙土、垂落的细铁丝、透明的塑料膜。这些东西在训练数据中很难被一致性地标注，导致模型在推理时即便看到了，也因为“不确定它是什么”而不敢输出。

行业共识

虽然“端到端”（End-to-End）和“全能大模型”在学术论文和发布会上风光无限，但在真正的工业落地——特别是机器人和自动驾驶领域，多模型协同（Modular / Hybrid Pipeline）仍然是铁律。

这背后的逻辑逻辑非常现实，可以归纳为以下几点：

性能的“生命线”：算力与延迟

在自动驾驶或人形机器人领域，延迟不仅仅是体验问题，更是安全问题。

• 实时性要求： 自动驾驶汽车在高速行驶时，处理时间哪怕慢了 50 毫秒，刹车距离就会多出几米。
• 计算效率： 一个巨型 VLM（视觉语言模型）每秒只能跑几帧（FPS），而 Detector（检测器）配合 Tracker（追踪器）可以在嵌入式芯片上轻松跑到 30-60 FPS，且功耗极低。

任务的分工：术业有专攻

目前的技术栈将任务拆解为不同的颗粒度：

• Detector + Tracker（确定“在哪”）： 负责高频、高精度的空间定位。它不需要理解“什么是美”，只需要精准捕捉障碍物的坐标和速度。
• Segmentation（确定“边界”）： 负责把场景抠出来，告诉机器人哪里是路，哪里是障碍物的边缘。
• VLM（确定“是什么”）： 充当“大脑”或“常识库”。它不需要每秒处理 60 次，只需每秒处理 1-2 次，负责理解复杂的语义（例如：“那个小孩正准备冲向马路”或“把那个蓝色的杯子递给我”）。

不考虑视频数据呢，只做图像的语义识别和像素分割

精度与效率的悖论 (Speed vs. Accuracy)

语义识别和像素分割对模型的要求完全不同：

1. 语义识别（Classification/VLM）： 需要模型具备高层的“抽象能力”。它关注的是“这是什么”，往往会牺牲空间细节来换取深层的语义理解。
2. 像素分割（Segmentation）： 需要极其精准的“空间坐标”。它关注的是“边缘在哪”，要求保留图像的每一个细节。

Grounded-SAM-2

Grounded-SAM-2

魔塔社区（ModelScope）作为一个模型库，它的收录逻辑通常是单个模型（如 SAM 2 或 Grounding DINO），而 Grounded-SAM-2 本质上是一个工程仓库/工作流（Pipeline），它把多个模型组合在一起使用。

groundingdino_swint_sam2_large

groundingdino_swint_sam2_large-魔塔社区

Grounded-SAM-2 vs Florence-2 + SAM2

室内导航

如果说实时 SLAM 是让机器人“现看现走”，那么提前构建语义地图就是给机器人一份带注释的高精度 3D 说明书。

商业公司的实际做法 (Tesla / Waymo / 机器人公司)

虽然大家都在喊“End-to-End”（端到端），但实际部署时：

• 数据采集： 派人或机器人先扫一遍。
• 自动标注： 利用大模型（如你提到的 Grounding DINO + SAM 2 的离线版）自动给地图打标签。
• 地图发布： 机器人下载这份“语义图”后再上岗。
• 增量更新： 机器人上岗后，只需关注地图里“变动”的部分（比如挪动了的椅子），而不需要重新理解整个大楼。

绝大多数国内企业的视觉和语义系统，确实是基于以下这些开源“神作”进行二次开发、修补和工程化的：

• 感知层： 你之前提到的 SAM 2、Grounding DINO、Florence-2 以及 YOLO-World。这些模型提供了基础的“物体分类”和“像素分割”能力。
• SLAM 框架： 国内激光导航公司大量参考了 FAST-LIO2、LIO-SAM 等开源算法；视觉导航则常基于 ORB-SLAM3 或 VINS-Mono。
• 具身智能： 很多公司在做语音指令到动作的映射时，底层用的是 Llama 3 或 Qwen (通义千问) 的开源版本。

企业在开源基础上做了哪些“闭源”工作？

既然底座是开源的，为什么还要买他们的产品？因为从“跑通 Demo”到“工业落地”之间有巨大的工程深渊：

• 硬件适配与加速（硬功夫）： 开源模型通常是为 A100 这种显卡设计的，但机器人用的是嵌入式芯片。企业需要做大量的 TensorRT 优化、算子融合和量化（INT8/FP16），让 1 FPS 的模型跑到 20 FPS。
• 长尾数据的积累（护城河）： 比如高仙机器人。开源模型能认出“沙发”，但不一定能认出“中式商场特有的深色大理石反光”或“某种新型自动洗地机的残影”。企业通过数万台机器人在前线跑出的私有数据集来微调（Fine-tune）开源模型。
• 失效模式处理： 开源模型崩溃了只会报个错，企业的闭源逻辑要负责：如果视觉被强光晃瞎了，如何切换到激光雷达？如果语义识别错了，如何触发降级机制不撞人？

室内3D导航地图建立步骤

第一阶段：几何建图（不撞墙）

利用 LiDAR 或深度相机（RGB-D）获取环境的 3D 点云或体素地图。

• 输入： 激光雷达点云、IMU 数据、里程计。
• 产出： 3D 点云图或占据网格图（Occupancy Grid）。

第二阶段：语义增强（懂环境）

在几何地图的基础上，利用 VLM 或检测器（如你熟悉的 SAM 2, Florence-2）识别物体并进行 3D 投影。

• 核心： 将 2D 的分割结果与 3D 点云对齐。
• 产出： 带有标签的 3D 物体模型（例如：这个点云簇是一个“沙发”）。

第三阶段：拓扑图构建（会规划）

将物体和空间转化为“点”与“线”的关系图（Scene Graph）。

• 核心： ConceptGraphs 逻辑。它不仅知道沙发在哪，还知道沙发在客厅里，客厅连接着走廊。
• 产出： 供机器人路径规划使用的拓扑地图。

主流开源框架推荐

A. 语义与场景图（大脑级）

ConceptGraphs (IDEA-Research)：

特点： 目前最火的开源项目。它使用 SAM / SAM 2 进行开放词汇分割，并将物体通过 CLIP 特征关联。它建立的地图机器人能直接听懂指令。

Hydra (MIT-SPARK)：

特点： 实时性极强。它能边走边建立层次化的 3D 场景图（3DSG），支持从“层-房间-物体”的多级导航。

Kimera (MIT)：

特点： 这是一个极其完整的 C++ 库，集成了视觉惯性里程计、语义分割和 3D 网格重建。它非常适合追求工业级稳定性的开发者。

基础 SLAM 框架（地基级）

RTAB-Map (Real-Time Appearance-Based Mapping)：

地位： 室内导航的“瑞士军刀”。它对 ROS/ROS2 支持极好，支持 RGB-D 摄像头和 LiDAR 融合，自带回环检测，非常适合快速搭建原型。

LIO-SAM / FAST-LIO2：

特点： 激光雷达建图的王者。如果你有 3D 激光雷达（如 Livox 或 Velodyne），这两个方案能提供厘米级的地图精度。

ORB-SLAM3：

特点： 纯视觉建图的最优选，支持单目、双目和 RGB-D。

开源项目 = Nvidia 全家桶

即使到了 2026 年，像 ConceptGraphs 这种顶级项目，如果你不用 Nvidia 的卡，安装过程简直像在“手动通关地狱模式”。这背后有几个非常现实的商业和技术逻辑：

软件生态的“黑洞效应” (CUDA)

• 不仅仅是算力： 大家常说 Nvidia 强在硬件，其实它真正的杀手锏是 CUDA 及其配套的库（如 cuDNN, TensorRT）。
• 开发者的无奈： 当 MIT 或 NVIDIA 的研究员写 ConceptGraphs 时，他们追求的是“快”。调用一个 cuBLAS 函数只需要一行代码，而如果要适配 AMD 或 Intel 的 GPU，他们可能需要额外写几百行底层代码去处理算力分配。
• 结果： 为了快速发论文、出成果，科学家们默认只跑 CUDA。久而久之，所有的开源代码库都长成了 Nvidia 的形状。

机器人硬件的“事实标准” (Jetson)

• 在配送车和机器人领域，Nvidia 的 Jetson (Orin/Thor) 系列几乎垄断了嵌入式算力市场。
• 深度绑定： 配送车需要同时处理 4 路摄像头、2 路激光雷达和实时路径规划。Jetson 的底层驱动（JetPack）已经把驱动、视觉加速、深度学习框架全部打通了。
• 开发者心态： 既然 90% 的原型机器人都在用 Jetson，开源项目自然优先适配 Nvidia。

初创企业进入这个无人配送领域的风险大吗

第一梯队（如九识、新石器、美团、京东）已经跑完了前 20 公里，手里握着大量的路权牌照、海量的运营数据和已经摊薄的硬件成本。

作为初创企业，现在的风险主要集中在以下四个维度：

1. 资金与毛利的“死亡之谷”
2. 存量市场的“路权”壁垒
3. 技术上的“1% 长尾”代价
4. 商业模式的“降维打击”

避开这些企业，只做社区或者园区内部配送呢

1. 避开牌照死结： 园区内部道路属于物业管理范畴，不属于市政交管局管辖。只要物业允许, 就能上路
2. 语义环境更可预测： 相比城市街道，园区的环境相对固定。你可以利用 ConceptGraphs 深度扫描一遍园区，建立极其精细的 3D 语义地图（标注出每一个减速带、每一个快递柜、甚至每一个花坛边缘）。
3. 低速 = 高安全性： 园区限速通常在 5-10km/h。在这个速度下，传感器的冗余要求降低，即使系统偶尔“卡顿”或误判，也有足够的物理缓冲时间，风险可控。

这里的核心研发难度在哪里？（不再是 SLAM，而是“琐碎”）

在园区内，配送车面临的是“高频、复杂、非标准化”的小场景挑战：

1. 窄路博弈与“潜规则”： 园区里会有违停的私家车、乱放的电动车、成群的小孩。机器人需要理解：这个障碍物是临时的（快递车），还是长期的（石墩）？我该原地等待还是借道绕行？
2. 物业与设施的“弱连接”： 最大的技术门槛是“跨越物理障碍”。
   • 如何通过园区的门禁系统？（需要集成各类蓝牙/LoRA 模组）。
   • 如何进出单元门？（需要与不同品牌的物业系统打通，这需要极强的线下商务落地能力）。
3. 动态地图更新： 园区经常有绿化修剪、井盖维修。你的 3D 语义地图必须能实时识别这些变化，否则机器人会对着一个新挖的坑“视而不见”。

• Previous
  计算机视觉二