Pix2Struct在Infographics-VQA上微调模型的模型卡片

目录

TL;DR

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

该模型的摘要陈述如下：

可视化语言是普遍存在的，来源包括带有图表的教科书、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，先前的工作通常依赖于领域特定的方法，局限性是共享底层数据、模型架构和目标的有限性。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，可以在包含可视化语言的任务中进行微调。Pix2Struct通过将掩码的网页截图解析为简化的HTML来进行预训练。网络具有在HTML结构中清晰反映的视觉元素丰富性，提供了适用于下游任务多样性的大量预训练数据来源。从直观上讲，这一目标包含了通常的预训练信号，如OCR、语言建模和图像字幕。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和视觉输入集成，其中诸如问题的语言提示直接呈现在输入图像的顶部。我们首次展示了单个预训练模型可以在四个领域的九个任务中的六个任务中实现最先进的结果。

使用该模型

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，您可以使用以下片段推送转换后的模型：

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 模型上的说明完全相同。

贡献

该模型最初由Kenton Lee、Mandar Joshi等贡献，并由 Younes Belkada 加入了Hugging Face生态系统。

引用

如果您想引用这篇工作，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}
}