Pix2Struct在Doc-VQA（扫描文档上的视觉问答）上微调的模型信息

目录

TL;DR

Pix2Struct是一个图像编码器-文本解码器模型，它通过图片和文本对进行训练，用于多种任务，包括图像字幕和视觉问题回答。可在论文的表1中找到可用模型的完整列表：

该模型的摘要说明如下：

视觉-语言对是无处不在的，源头包括带有图示的教科书、带有图像和表格的网页，以及带有按钮和表单的移动应用程序。也许由于这种多样性，以往的研究通常依赖于特定领域的配方，并且很少共享底层数据、模型架构和目标。我们提出了Pix2Struct，这是一个预训练的图像到文本模型，用于纯粹的视觉语言理解，可以在包含视觉-语言对的任务上进行微调。Pix2Struct通过学习将屏幕截图中的掩码解析为简化的HTML来进行预训练。Web作为一个富含视觉元素的环境，其HTML结构能够清晰地反映出这种丰富性，为多样的下游任务提供了大量的预训练数据。直观地说，这个目标涵盖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和更灵活的语言与视觉输入的集成，其中诸如问题之类的语言提示直接渲染在输入图像上。我们首次证明了单个预训练模型在四个领域的九个任务中有六个任务达到了最先进的结果，这些领域包括文档、插图、用户界面和自然图像。

使用模型

从T5x转换为huggingface

您可以使用 convert_pix2struct_checkpoint_to_pytorch.py 脚本进行如下操作：

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

如果要转换一个大型模型，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，您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

运行此模型的说明与 pix2struct-aid-base 模型的说明完全相似。

贡献

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

引用

如果您想引用此工作，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}
}