Pix2struct Large

🚀 Pix2Struct - 事前学習済み重み - 大規模版のモデルカード

このモデルはPix2Structの事前学習済みバージョンで、ファインチューニング目的でのみ使用してください。

🚀 クイックスタート

Pix2Structは、画像キャプション生成や視覚的質問応答などの様々なタスクのために画像 - テキストのペアで学習された画像エンコーダ - テキストデコーダモデルです。利用可能なモデルの完全なリストは、論文の表1に記載されています。

モデルの概要は以下の通りです。

視覚的に状況付けられた言語はあらゆる場所に存在します。教科書の図、画像や表を含むウェブページ、ボタンやフォームを持つモバイルアプリなど、その情報源は多岐にわたります。この多様性のため、以前の研究では、基礎となるデータ、モデルアーキテクチャ、目的関数の共有が限られたドメイン固有の手法に依存することが多かったです。我々は、純粋な視覚言語理解のための事前学習済み画像 - テキストモデルであるPix2Structを提案します。このモデルは、視覚的に状況付けられた言語を含むタスクに対してファインチューニングすることができます。Pix2Structは、ウェブページのマスクされたスクリーンショットを簡略化されたHTMLに解析することを学習することで事前学習されます。HTML構造に明確に反映される豊富な視覚要素を持つウェブは、下流のタスクの多様性に適した大規模な事前学習データ源を提供します。直感的には、この目的関数は、OCR、言語モデリング、画像キャプション生成などの一般的な事前学習信号を包含しています。新しい事前学習戦略に加えて、我々は可変解像度の入力表現と、質問などの言語プロンプトを入力画像の上に直接レンダリングする、より柔軟な言語と視覚入力の統合方法を導入します。我々は、初めて、単一の事前学習モデルが、文書、イラスト、ユーザーインターフェース、自然画像の4つのドメインにまたがる9つのタスクのうち6つで最先端の結果を達成できることを示します。

📚 ドキュメント

目次

0. TL;DR
1. モデルの使用方法
2. 貢献者
3. 引用

TL;DR

Pix2Structは、画像キャプション生成や視覚的質問応答などの様々なタスクのために画像 - テキストのペアで学習された画像エンコーダ - テキストデコーダモデルです。利用可能なモデルの完全なリストは、論文の表1に記載されています。

モデルの使用方法

T5xからHugging Faceへの変換

convert_pix2struct_checkpoint_to_pytorch.py スクリプトを以下のように使用できます。

python convert_pix2struct_checkpoint_to_pytorch.py --t5x_checkpoint_path PATH_TO_T5X_CHECKPOINTS --pytorch_dump_path PATH_TO_SAVE

大規模モデルを変換する場合は、以下のコマンドを実行します。

python convert_pix2struct_checkpoint_to_pytorch.py --t5x_checkpoint_path PATH_TO_T5X_CHECKPOINTS --pytorch_dump_path PATH_TO_SAVE --use-large

保存後、以下のコードスニペットを使用して変換したモデルをプッシュできます。

from transformers import Pix2StructForConditionalGeneration, Pix2StructProcessor

model = Pix2StructForConditionalGeneration.from_pretrained(PATH_TO_SAVE)
processor = Pix2StructProcessor.from_pretrained(PATH_TO_SAVE)

model.push_to_hub("USERNAME/MODEL_NAME")
processor.push_to_hub("USERNAME/MODEL_NAME")

🔗 貢献者

このモデルは、Kenton Lee、Mandar Joshiらによって最初に貢献され、Younes BelkadaによってHugging Faceエコシステムに追加されました。

📄 ライセンス

このモデルはApache 2.0ライセンスの下で提供されています。

📖 引用

この研究を引用する場合は、元の論文を引用してください。

@misc{https://doi.org/10.48550/arxiv.2210.03347,
  doi = {10.48550/ARXIV.2210.03347},
  
  url = {https://arxiv.org/abs/2210.03347},
  
  author = {Lee, Kenton and Joshi, Mandar and Turc, Iulia and Hu, Hexiang and Liu, Fangyu and Eisenschlos, Julian and Khandelwal, Urvashi and Shaw, Peter and Chang, Ming-Wei and Toutanova, Kristina},
  
  keywords = {Computation and Language (cs.CL), Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  
  title = {Pix2Struct: Screenshot Parsing as Pretraining for Visual Language Understanding},
  
  publisher = {arXiv},
  
  year = {2022},
  
  copyright = {Creative Commons Attribution 4.0 International}
}