Pix2Struct 的模型卡片 - 在 OCR-VQA 上进行微调（封面图像的视觉问答）- 大版本

目录

TL;DR

Pix2Struct 是一个基于图像编码器 - 文本解码器的模型，它通过图像-文本对进行训练，用于各种任务，包括图像描述和视觉问答。可以在论文的表格1中找到可用模型的完整列表：

该模型的摘要声明如下：

视觉情境语言无处不在 - 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特定领域的方法，分享有限的基础数据、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，用于纯图像语言理解，可以在包含视觉情境语言的任务上进行微调。Pix2Struct 的预训练任务是学习将遮蔽的网页屏幕截图解析为简化的 HTML。网络作为一种反映在 HTML 结构中的视觉元素丰富的源，提供了适用于下游任务多样性的大量预训练数据。直观来说，此目标包含常见的预训练信号，如OCR、语言建模和图像描述。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）直接呈现在输入图像之上。我们首次展示了单个预训练模型在四个领域的九个任务中有六个任务取得了最先进的结果：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，您可以使用以下代码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 模型上的说明完全相同。

贡献

此模型最初由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}
}