Pix2struct Ocrvqa Base

🚀 Pix2Struct - 在OCR - VQA（書籍封面視覺問答）上微調的模型卡片

Pix2Struct是一個圖像編碼器 - 文本解碼器模型，它基於圖像 - 文本對進行訓練，可用於多種任務，如圖像描述和視覺問答，為視覺語言理解提供了強大的支持。

🚀 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，具體如下：

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是一個基於圖像 - 文本對訓練的圖像編碼器 - 文本解碼器模型，可用於多種任務，包括圖像描述和視覺問答。該模型的預訓練是通過學習將網頁的掩碼截圖解析為簡化的HTML來完成的，這種預訓練策略涵蓋了常見的預訓練信號，如OCR、語言建模和圖像描述。此外，模型引入了可變分辨率輸入表示以及更靈活的語言和視覺輸入集成方式。

📚 詳細文檔

模型概述

Pix2Struct旨在處理視覺語言理解任務，其預訓練數據來源於網頁截圖，這些豐富的視覺元素在HTML結構中得到了清晰的體現，為下游任務的多樣性提供了大量的預訓練數據。該模型可以在包含視覺語言的任務上進行微調。

模型論文摘要

視覺情境語言無處不在，其來源廣泛，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，以往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，這是一種用於純視覺語言理解的預訓練圖像到文本模型，可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。網絡中豐富的視覺元素在HTML結構中得到清晰反映，為預訓練數據提供了大量來源，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、圖像描述。除了新穎的預訓練策略，我們還引入了可變分辨率輸入表示和更靈活的語言和視覺輸入集成方式，其中問題等語言提示直接呈現在輸入圖像之上。我們首次表明，單個預訓練模型可以在四個領域的九個任務中的六個任務中取得最先進的結果：文檔、插圖、用戶界面和自然圖像。

模型可用列表可在論文的表1中找到：

🤝 貢獻信息

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。

📖 引用信息

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}
}

📄 許可證

本模型使用的許可證為Apache - 2.0。