Pix2Struct模型卡 - 在Infographics-VQA（高分辨率信息图像的视觉问答）上进行精调 - 大版本

目录

TL;DR

Pix2Struct是一种图像编码器 - 文本解码器模型，它在图像 - 文本对上进行训练，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：

该模型的摘要声明如下：

视觉语言是无处不在的，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。也许由于这种多样性，以前的工作通常依赖于领域特定的配方，对底层数据、模型架构和目标的共享有限。我们提出了Pix2Struct，这是一种预训练的图像到文本模型，用于纯粹的视觉语言理解，可以在含有视觉语言的任务上进行微调。Pix2Struct的预训练是通过学习将屏幕截图的掩码解析为简化的HTML而实现的。WEB以其在HTML结构中干净地反映出的丰富的可视元素为预训练数据提供了一个大的来源，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、语言模型和图像字幕。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，在这种集成中，诸如问题之类的语言提示直接呈现在输入图像上。我们首次展示了单一的预训练模型能够在四个领域（文档、插图、用户界面和自然图像）的九个任务中，在六个任务中取得了最先进的结果。

使用模型

从T5x转换为huggingface

您可以按以下方式使用 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，您可以使用以下代码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

如果您想引用这个工作，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}
}