Pix2Struct模型卡 - 在组件标题（屏幕上的UI组件的标题）上进行微调 - 大版本

目录

TL;DR

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

该模型的摘要陈述如下：

视觉语言是无处不在的 - 来源包括带有图表的教科书，带有图像和表格的网页，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具有有限的数据共享、模型架构和目标的特定领域的技巧。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，可以在包含视觉语言的任务上进行微调。Pix2Struct通过学习将屏幕截图的蒙版解析为简化的HTML来进行预训练。Web具有在HTML结构中清晰反映的丰富的视觉元素，这为多样化的下游任务提供了大量适合的预训练数据来源。直观地说，这个目标包含了常见的预训练信号，例如OCR、语言建模、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方式，其中如问题之类的语言提示直接渲染在输入图像的顶部。我们首次展示，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取得最先进的结果：文档、插图、用户界面和自然图像。

使用模型

从T5x转换到Huggingface

您可以使用以下脚本：

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

运行模型的说明与 pix2struct-textcaps-base 模型上的说明完全相同。

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}
}