Pix2struct Docvqa Large

🚀 Pix2Struct - ドキュメントVQA（スキャンドキュメントの視覚的質問応答）でファインチューニングされた大規模バージョン

Pix2Structは、画像キャプショニングや視覚的質問応答などの様々なタスクの画像 - テキスト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。

🚀 クイックスタート

このセクションでは、Pix2Structモデルの概要、使い方、貢献者、引用方法について説明します。

📚 目次

0. 概要
1. モデルの使用方法
2. 貢献者
3. 引用方法

🔍 概要

Pix2Structは、画像キャプショニングや視覚的質問応答などの様々なタスクの画像 - テキスト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。

このモデルの概要は以下の通りです。

視覚的に配置された言語は遍在しています。教科書の図から、画像や表のあるウェブページ、ボタンやフォームのあるモバイルアプリまで、様々なソースがあります。おそらくこの多様性のため、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、純粋な視覚的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。これは、視覚的に配置された言語を含むタスクで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構造にきれいに反映された視覚要素の豊富さを持つウェブは、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のソースを提供します。直感的には、この目的は、OCR、言語モデリング、画像キャプショニングなどの一般的な事前学習信号を包含します。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を導入します。初めて、単一の事前学習モデルが、ドキュメント、イラスト、ユーザーインターフェース、自然画像の4つのドメインの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。

💻 使用例

基本的な使用法

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、次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、次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")

モデルの実行

このモデルを実行する手順は、pix2struct-aid-base モデルに記載されている手順と全く同じです。

🤝 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。

📄 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}
}