Pix2struct Base

🚀 Pix2Struct - 事前学習済みウェイト

Pix2Structは、画像エンコーダとテキストデコーダを備えたモデルで、画像キャプショニングや視覚的質問応答など、様々なタスクの画像 - テキストペアで学習されています。

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

🚀 クイックスタート

目次

0. TL;DR
1. モデルの使用方法
2. コントリビューション
3. 引用

TL;DR

Pix2Structは、画像エンコーダとテキストデコーダのモデルで、画像キャプショニングや視覚的質問応答など、様々なタスクの画像 - テキスト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。

視覚的に位置付けられた言語はあらゆる場所に存在します。教科書の図から、画像や表があるウェブページ、ボタンやフォームが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。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、視覚的に位置付けら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、その豊富な視覚要素が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量の事前学習データのソースを提供する。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、言語とビジョン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を入力画像の上に直接レンダリングする。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。

💻 使用例

基本的な使用法

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

大規模な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")

🔧 コントリビューション

このモデルは、もともとKenton Lee、Mandar Joshiらによって貢献され、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。