Pix2Struct模型卡 - 在ChartQA（基于图表的视觉问答）上微调

内容目录

TL;DR

Pix2Struct是一个图像编码器-文本解码器模型，它是通过对图像-文本对进行训练而得到的，用于各种任务，包括图像字幕和视觉问答。完整的可用模型列表可以在论文的表1中找到：

该模型的摘要声明如下：

可视化语言是普遍存在的，源泉包括带有图表的教科书，带有图像和表格的网页，带有按钮和表单的移动应用程序。也许由于这种多样性，以前的工作通常依赖于领域特定的方法，对底层数据、模型架构和目标都有限制的共享。我们提出了Pix2Struct，这是一个用于纯粹的可视化语言理解的预训练图像到文本模型，可以在包含可视化语言的任务上进行微调。Pix2Struct通过学习将屏幕截图中的屏蔽部分解析为简化的 HTML 来进行预训练。网络以其在 HTML 结构中清晰反映的丰富的视觉元素为特点，提供了大量适用于下游任务的预训练数据来源。直观地说，此目标包含了常见的预训练信号，如 OCR、语言建模、图像字幕。除了新颖的预训练策略，我们还引入了可变分辨率的输入表示以及更灵活的语言和视觉输入集成，其中语言提示（如问题）直接呈现在输入图像上。我们首次展示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）的九个任务中获得六个最先进的结果。

使用模型

从T5x转换到huggingface

您可以按照以下方式使用 convert_pix2struct_checkpoint_to_pytorch.py 脚本：

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

如果要转换大模型，请运行：

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，可以使用以下代码片段推送已转换的模型：

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")

运行模型

运行该模型的说明与 pix2struct-aid-base 模型的说明完全相似。

贡献

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

如果要引用此作品，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}
}