在Widget字幕上微调的Pix2Struct模型的模型卡

内容目录

概述

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

该模型的摘要如下：

视觉语言是无处不在的--来源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，先前的工作通常依赖于具有有限数据、模型架构和目标的特定领域的方法。我们介绍了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，它可以在包含视觉语言的任务上进行微调。Pix2Struct的预训练目标是将蒙版网页截图解析成简化的HTML。Web以其在HTML结构中清晰反映的视觉元素的丰富性为特征，提供了大量与下游任务的多样性非常契合的预训练数据源。从直觉上讲，这个目标包含了常见的预训练信号，如OCR、语言建模和图像字幕。除了新颖的预训练策略外，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方式，其中语言提示，如问题，直接呈现在输入图像的上方。我们首次展示了单个预训练模型在四个领域（文档、插图、用户界面和自然图像）的九个任务中达到了六个最先进结果。

使用模型

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

如果您要转换一个大模型，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

运行模型的说明和 pix2struct-textcaps-base 模型中的说明完全相同。

贡献

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

引用

如果您想引用这项工作，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}
}