关于Pix2Struct - 在OCR-VQA上进行微调的模型卡片

目录

简介

Pix2Struct是一个图像编码器-文本解码器模型，经过训练可用于各种任务，包括图像标注和视觉问答。完整的可用模型列表可以在论文的表1中找到：

模型摘要如下：

视觉定位语言是无处不在的——来源范围从带有图示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，先前的工作通常依赖于领域特定的步骤，限制了底层数据、模型架构和目标的共享。我们提出了Pix2Struct，这是一个针对纯视觉语言理解的预训练图像到文本模型，可以在包含视觉定位语言的任务上进行微调。Pix2Struct通过学习将屏幕截图中的蒙版解析为简化的HTML来进行预训练。网络以其在HTML结构中清晰反映的可视元素的丰富性，提供了大量适合各种下游任务的预训练数据。直观上，该目标包含了常见的预训练信号，如OCR、语言建模、图像标注。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整合方式，其中语言提示（如问题）直接渲染在输入图像上方。我们首次展示单一预训练模型在四个领域的九项任务中有六项可以达到最先进的结果。

使用模型

从T5x转换为huggingface

您可以按照以下方式使用 convert_pix2struct_checkpoint_to_pytorch.py 脚本进行转换：

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

如果您要转换大模型，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，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 模型中的说明完全相似。

贡献

这个模型最初由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}
}