Pix2struct Widget Captioning Large

🚀 Pix2Struct - ウィジェットキャプショニングでファインチューニングされたモデル (画面上のUIコンポーネントのキャプショニング) - 大規模版

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ために画像と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。このモデルは、視覚的な言語理解に適しており、ウィジェットキャプショニングタスクに特化してファインチューニングされています。

📚 目次

0. 要約
1. モデルの使用方法
2. 貢献者
3. 引用情報

📖 要約

Pix2Structは、画像エンコーダとテキストデコーダから構成されるモデルで、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に対して画像 - テキストのペアで学習されています。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普遍的であり、教科書の図から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、基盤となるデータ、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。このモデルは、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源を提供します。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シグナルを包含しています。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を導入します。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。

💻 モデルの使用方法

T5xからHugging Faceへの変換

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

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、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")

モデルの実行

モデルを実行するための指示は、pix2struct-textcaps-base モデルに記載されている指示とまったく同じです。

👥 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。

📄 引用情報

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}
}