Pix2struct Base

🚀 Pix2Struct - 預訓練權重模型卡

Pix2Struct是一個圖像編碼器 - 文本解碼器模型，針對圖像 - 文本對進行訓練，可用於圖像描述、視覺問答等多種任務。本模型為Pix2Struct的預訓練版本，僅用於微調。

🚀 快速開始

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

如果你要轉換大型模型，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推送轉換後的模型：

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")

📚 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，可在包含視覺情境語言的任務上進行微調。該模型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清晰地反映在HTML結構中，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，這個目標包含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，該模型還引入了可變分辨率的輸入表示，以及更靈活的語言和視覺輸入集成，其中諸如問題之類的語言提示直接渲染在輸入圖像之上。首次表明，單個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。

模型可用語言包括：英語、法語、羅馬尼亞語、德語和多語言。 模型任務類型為：圖像轉文本。

可用模型列表

可用模型的完整列表可以在論文的表1中找到：

模型抽象描述

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。也許由於這種多樣性，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清晰地反映在HTML結構中，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，這個目標包含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，以及更靈活的語言和視覺輸入集成，其中諸如問題之類的語言提示直接渲染在輸入圖像之上。首次表明，單個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。

👥 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}
}

📄 許可證

本模型採用Apache 2.0許可證。