Pix2struct Infographics Vqa Large

🚀 Pix2Struct - インフォグラフィックス-VQA（高解像度インフォグラフィックスの視覚的質問応答）でファインチューニングされたモデルカード - ラージバージョン

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に対応した画像 - テキストモデルです。このモデルは、高解像度のインフォグラフィックスに対する視覚的質問応答タスクで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

📖 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 - テキストのペアを用いて、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訓練されています。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至る所に存在します。教科書の図、ウェブページの画像や表、モバイルアプリのボタンやフォームなどがその例です。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。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を提案する。このモデルは、視覚的に配置さ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る。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る。ウェブは、その視覚要素の豊富さがHTML構造にきれいに反映されており、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する。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する。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、言語と視覚の入力をより柔軟に統合する方法を導入する。ここでは、質問などの言語プロンプトが入力画像の上に直接レンダリングされる。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、自然画像という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

ラージ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Hugging Face Hubにプッシュできます。

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}
}

📄 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。