Pix2struct Screen2words Large

🚀 Pix2Struct - 在Screen2Words上微调（为用户界面屏幕添加功能描述字幕） - 大版本模型卡片

Pix2Struct是一个图像编码器 - 文本解码器模型，通过图像 - 文本对进行训练，可用于多种任务，包括图像字幕生成和视觉问答。本模型能有效处理视觉语言理解相关任务，为视觉场景下的语言处理提供强大支持。

🚀 快速开始

从T5x转换为Hugging Face模型

你可以使用convert_pix2struct_checkpoint_to_pytorch.py脚本进行转换，命令如下：

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

如果你要转换大模型，运行：

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

保存后，你可以使用以下代码片段将转换后的模型推送到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")

运行模型

运行该模型的说明与pix2struct-textcaps-base模型的说明完全相同。

✨ 主要特性

Pix2Struct是一个预训练的图像到文本模型，用于纯视觉语言理解，可在包含视觉语言的任务上进行微调。它通过学习将网页的掩码截图解析为简化HTML进行预训练，这种新颖的预训练策略使得该模型能够涵盖常见的预训练信号，如OCR、语言建模、图像字幕生成等。此外，模型引入了可变分辨率输入表示以及更灵活的语言和视觉输入集成方式，首次证明了单个预训练模型可以在四个领域（文档、插图、用户界面和自然图像）的九个任务中的六个任务中取得最先进的结果。

📚 详细文档

模型概述

Pix2Struct是一个图像编码器 - 文本解码器模型，在各种图像 - 文本对上进行训练，可用于多种任务，包括图像字幕生成和视觉问答。可用模型的完整列表可在论文的表1中找到：

模型的摘要指出：

视觉情境化语言无处不在，其来源范围从带有图表的教科书到带有图像和表格的网页，再到带有按钮和表单的移动应用程序。由于这种多样性，以往的工作通常依赖于特定领域的方法，底层数据、模型架构和目标的共享有限。我们提出了Pix2Struct，这是一个用于纯视觉语言理解的预训练图像到文本模型，可在包含视觉情境化语言的任务上进行微调。Pix2Struct通过学习将网页的掩码截图解析为简化HTML进行预训练。网络中丰富的视觉元素清晰地反映在HTML结构中，为预训练数据提供了大量来源，非常适合下游任务的多样性。直观地说，这个目标包含了常见的预训练信号，如OCR、语言建模、图像字幕生成。除了新颖的预训练策略，我们还引入了可变分辨率输入表示以及更灵活的语言和视觉输入集成方式，其中诸如问题之类的语言提示直接渲染在输入图像之上。我们首次证明了单个预训练模型可以在四个领域（文档、插图、用户界面和自然图像）的九个任务中的六个任务中取得最先进的结果。

🤝 贡献者

该模型最初由Kenton Lee、Mandar Joshi等人贡献，并由Younes Belkada添加到Hugging Face生态系统中。

📖 引用

如果你想引用这项工作，请考虑引用原始论文：

@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}
}

📄 许可证

本模型采用Apache-2.0许可证。