Pix2struct Infographics Vqa Base

🚀 Pix2Struct - 在信息圖表視覺問答（高分辨率信息圖表視覺問答）上微調的模型卡片

Pix2Struct是一個圖像編碼器 - 文本解碼器模型，可用於圖像字幕和視覺問答等多種任務，能有效處理視覺語言理解問題。

🚀 快速開始

從T5x轉換為Hugging Face模型

你可以使用convert_pix2struct_checkpoint_to_pytorch.py腳本進行轉換，命令如下：

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

如果你要轉換一個大型模型，請運行：

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

保存後，你可以使用以下代碼片段將轉換後的模型推送到Hugging Face Hub：

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")

運行模型

運行此模型的說明與pix2struct-aid-base模型的說明完全相似。

✨ 主要特性

Pix2Struct是一個預訓練的圖像到文本模型，用於純視覺語言理解，可以在包含視覺語言的任務上進行微調。它通過學習將網頁的掩碼截圖解析為簡化的HTML進行預訓練，這種預訓練策略涵蓋了常見的預訓練信號，如OCR、語言建模、圖像字幕等。此外，該模型引入了可變分辨率輸入表示和更靈活的語言與視覺輸入集成方式，首次展示了一個單一的預訓練模型可以在四個領域（文檔、插圖、用戶界面和自然圖像）的九個任務中的六個任務中取得最先進的結果。

📦 安裝指南

文檔中未明確提及安裝相關內容，僅涉及模型轉換和運行的操作步驟。

💻 使用示例

基礎用法

模型轉換

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

推送模型到Hugging Face Hub

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")

高級用法

轉換大型模型

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

📚 詳細文檔

模型概述

Pix2Struct是一個圖像編碼器 - 文本解碼器模型，可用於多種任務，包括圖像字幕和視覺問答。可用模型的完整列表可以在論文的表1中找到：

模型的摘要指出：

視覺情境語言無處不在，其來源範圍從帶有圖表的教科書到帶有圖像和表格的網頁，再到帶有按鈕和表單的移動應用程序。由於這種多樣性，以前的工作通常依賴於特定領域的方法，底層數據、模型架構和目標的共享有限。我們提出了Pix2Struct，這是一個用於純視覺語言理解的預訓練圖像到文本模型，可以在包含視覺情境語言的任務上進行微調。Pix2Struct通過學習將網頁的掩碼截圖解析為簡化的HTML進行預訓練。網絡具有豐富的視覺元素，其HTML結構清晰地反映了這些元素，為預訓練數據提供了一個巨大的來源，非常適合下游任務的多樣性。直觀地說，這個目標涵蓋了常見的預訓練信號，如OCR、語言建模、圖像字幕等。除了新穎的預訓練策略外，我們還引入了可變分辨率輸入表示和更靈活的語言與視覺輸入集成方式，其中諸如問題之類的語言提示直接渲染在輸入圖像之上。我們首次展示了一個單一的預訓練模型可以在四個領域（文檔、插圖、用戶界面和自然圖像）的九個任務中的六個任務中取得最先進的結果。

🔧 技術細節

文檔中未提供具體的技術實現細節。

📄 許可證

本模型使用的許可證為apache-2.0。

🤝 貢獻者

此模型最初由Kenton Lee、Mandar Joshi等人貢獻，並由Younes Belkada添加到Hugging Face生態系統中。

📖 引用

如果你想引用這項工作，請考慮引用原始論文：

@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}
}