Pix2struct Base

🚀 Pix2Struct - 预训练权重模型卡

Pix2Struct是一个图像编码器 - 文本解码器模型，针对图像 - 文本对进行训练，可用于图像描述、视觉问答等多种任务。本模型为Pix2Struct的预训练版本，仅用于微调。

🚀 快速开始

从T5x转换到Hugging Face

你可以使用convert_pix2struct_checkpoint_to_pytorch.py脚本进行转换，如下所示：

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

如果你要转换大型模型，请运行：

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

保存后，你可以使用以下代码片段推送转换后的模型：

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")

📚 详细文档

模型概述

Pix2Struct是一个用于纯视觉语言理解的预训练图像到文本模型，可在包含视觉情境语言的任务上进行微调。该模型通过学习将网页的掩码截图解析为简化的HTML进行预训练。网络中丰富的视觉元素清晰地反映在HTML结构中，为预训练数据提供了大量来源，非常适合下游任务的多样性。直观地说，这个目标包含了常见的预训练信号，如OCR、语言建模、图像描述。除了新颖的预训练策略，该模型还引入了可变分辨率的输入表示，以及更灵活的语言和视觉输入集成，其中诸如问题之类的语言提示直接渲染在输入图像之上。首次表明，单个预训练模型可以在四个领域（文档、插图、用户界面和自然图像）的九个任务中的六个任务中取得最先进的结果。

模型可用语言包括：英语、法语、罗马尼亚语、德语和多语言。 模型任务类型为：图像转文本。

可用模型列表

可用模型的完整列表可以在论文的表1中找到：

模型抽象描述

视觉情境语言无处不在 —— 其来源范围从带有图表的教科书到带有图像和表格的网页，再到带有按钮和表单的移动应用程序。也许由于这种多样性，以前的工作通常依赖于特定领域的方法，底层数据、模型架构和目标的共享有限。我们提出了Pix2Struct，这是一个用于纯视觉语言理解的预训练图像到文本模型，可在包含视觉情境语言的任务上进行微调。Pix2Struct通过学习将网页的掩码截图解析为简化的HTML进行预训练。网络中丰富的视觉元素清晰地反映在HTML结构中，为预训练数据提供了大量来源，非常适合下游任务的多样性。直观地说，这个目标包含了常见的预训练信号，如OCR、语言建模、图像描述。除了新颖的预训练策略，我们还引入了可变分辨率的输入表示，以及更灵活的语言和视觉输入集成，其中诸如问题之类的语言提示直接渲染在输入图像之上。首次表明，单个预训练模型可以在四个领域（文档、插图、用户界面和自然图像）的九个任务中的六个任务中取得最先进的结果。

👥 贡献者

此模型最初由Kenton Lee、Mandar Joshi等人贡献，并由Younes Belkada添加到Hugging Face生态系统中。

📖 引用

如果你想引用这项工作，请考虑引用原始论文：

@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}
}

📄 许可证

本模型采用Apache 2.0许可证。