Pix2struct Docvqa Base

🚀 Pix2Struct - 在Doc - VQA（掃描文檔視覺問答）上微調的模型

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，包括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

保存模型後，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](https://huggingface.co/ybelkada/pix2struct - ai2d - base)模型的說明完全相似。

✨ 主要特性

Pix2Struct是一個圖像編碼器 - 文本解碼器模型，經過圖像 - 文本對的訓練，可用於多種任務，包括圖像描述和視覺問答。該模型的預訓練目標是將網頁的掩碼截圖解析為簡化的HTML，這種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的輸入表示和更靈活的語言與視覺輸入集成方式，能夠在文檔、插圖、用戶界面和自然圖像四個領域的九個任務中的六個任務中取得最先進的結果。

📚 詳細文檔

模型概述

Pix2Struct是一個用於純視覺語言理解的預訓練圖像到文本模型，可在包含視覺語言的任務上進行微調。模型的預訓練數據來源於網頁，其豐富的視覺元素清晰地反映在HTML結構中，為預訓練提供了大量適合下游任務多樣性的數據。

模型摘要指出：

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，這是一個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結構中得到了清晰的體現，為預訓練提供了大量適合下游任務多樣性的數據。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的輸入表示和更靈活的語言與視覺輸入集成方式，其中問題等語言提示直接渲染在輸入圖像之上。我們首次表明，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。

可用模型列表

完整的可用模型列表可以在論文的表1中找到：

🔧 技術細節

模型轉換

使用convert_pix2struct_checkpoint_to_pytorch.py腳本將T5x模型轉換為Hugging Face的PyTorch模型。對於大型模型，需要添加--use - large參數。轉換後的模型可以使用push_to_hub方法推送到Hugging Face Hub。

模型運行

運行此模型的說明與pix2struct - aid - base模型的說明相同。

📄 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}
}

📦 模型信息