Matcha Chart2text Pew

🚀 MatCha - 在Chart2text-pew上微調的模型

MatCha是一個視覺語言模型，該模型在Chart2text-pew數據集上進行了微調，微調後的檢查點可能更適合圖表摘要任務。

🚀 快速開始

使用模型

from transformers import Pix2StructProcessor, Pix2StructForConditionalGeneration
import requests
from PIL import Image

processor = Pix2StructProcessor.from_pretrained('google/matcha-chart2text-pew')
model = Pix2StructForConditionalGeneration.from_pretrained('google/matcha-chart2text-pew')

url = "https://raw.githubusercontent.com/vis-nlp/ChartQA/main/ChartQA%20Dataset/val/png/20294671002019.png"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(images=image, return_tensors="pt")
predictions = model.generate(**inputs, max_new_tokens=512)
print(processor.decode(predictions[0], skip_special_tokens=True))

從T5x轉換到Hugging Face

你可以使用convert_pix2struct_checkpoint_to_pytorch.py腳本進行轉換，如下所示：

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

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 --is_vqa

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")

✨ 主要特性

論文摘要指出：

視覺語言數據，如圖表、圖形和信息圖等，在人類世界中無處不在。然而，現有的視覺語言模型在處理這些數據時表現不佳。我們提出了MATCHA（數學推理和圖表反渲染預訓練）方法，以增強視覺語言模型對圖表/圖形和語言數據進行聯合建模的能力。具體來說，我們提出了幾個預訓練任務，涵蓋了圖形解構和數值推理，這是視覺語言建模中的關鍵能力。我們從最近提出的圖像到文本視覺語言模型Pix2Struct開始進行MATCHA預訓練。在PlotQA和ChartQA等標準基準測試中，MATCHA模型的表現比現有方法高出近20%。我們還研究了MATCHA預訓練在截圖、教科書圖表和文檔圖形等領域的遷移效果，並觀察到整體性能有所提升，這驗證了MATCHA預訓練在更廣泛的視覺語言任務中的有效性。

📄 許可證

本模型採用Apache 2.0許可證。

🤝 貢獻者

此模型最初由Fangyu Liu、Francesco Piccinno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{liu2022matcha,
      title={MatCha: Enhancing Visual Language Pretraining with Math Reasoning and Chart Derendering}, 
      author={Fangyu Liu and Francesco Piccinno and Syrine Krichene and Chenxi Pang and Kenton Lee and Mandar Joshi and Yasemin Altun and Nigel Collier and Julian Martin Eisenschlos},
      year={2022},
      eprint={2212.09662},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

📋 模型信息