许可证：apache-2.0
支持语言：

• 英语
• 法语
• 罗马尼亚语
• 德语
  任务标签：图像转文本
  标签：
• 引用表达式
• 用户界面

由于谷歌未转换并上传文件，我将他们在gcloud中的检查点转换为HF格式。

Pix2Struct模型卡片 - 基于UI引用表达式数据集微调

目录

0. 摘要
1. 使用模型
2. 贡献
3. 引用

摘要

Pix2Struct-RefExp细节（基于其预处理）

-> 输入：一张图像，其中候选对象周围绘制了边界框，并包含引用表达式的标题（存储在图像特征中）。

-> 输出：布尔标志（解析特征），指示候选对象是否为引用表达式的正确指代对象。

Pix2Struct 是一个图像编码器-文本解码器模型，针对多种任务（包括图像描述和视觉问答）在图像-文本对上训练。完整模型列表可在论文表1中找到：

模型摘要指出：

视觉语言无处不在——来源从带图解的教科书到含图像和表格的网页，再到带按钮和表单的移动应用。可能由于这种多样性，先前工作通常依赖领域特定方法，底层数据、模型架构和目标共享有限。我们提出Pix2Struct，一种纯视觉语言理解的预训练图像到文本模型，可微调用于包含视觉语言的任务。Pix2Struct通过将网页截图解析为简化HTML进行预训练。网络丰富的视觉元素清晰反映在HTML结构中，为多样化下游任务提供了大量预训练数据。直观上，该目标涵盖了OCR、语言建模、图像描述等常见预训练信号。除新颖的预训练策略外，我们还引入了可变分辨率输入表示和更灵活的语言视觉输入集成，其中问题等语言提示直接渲染在输入图像上。首次证明，单一预训练模型可在文档、插图、用户界面和自然图像四个领域的九项任务中，六项达到最先进效果。

使用模型

从T5x转换到Huggingface

使用以下脚本：

python convert_pix2struct_checkpoint_to_pytorch.py --t5x_checkpoint_path T5X检查点路径 --pytorch_dump_path 保存路径

转换大模型时运行：

python convert_pix2struct_checkpoint_to_pytorch.py --t5x_checkpoint_path T5X检查点路径 --pytorch_dump_path 保存路径 --use-large

保存后，可通过以下代码推送转换后的模型：

from transformers import Pix2StructForConditionalGeneration, Pix2StructProcessor

model = Pix2StructForConditionalGeneration.from_pretrained(保存路径)
processor = Pix2StructProcessor.from_pretrained(保存路径)

model.push_to_hub("用户名/模型名")
processor.push_to_hub("用户名/模型名")

运行模型

CPU全精度运行：

import requests
from PIL import Image
from transformers import Pix2StructForConditionalGeneration, Pix2StructProcessor

url = "https://www.ilankelman.org/stopsigns/australia.jpg"
image = Image.open(requests.get(url, stream=True).raw)

model = Pix2StructForConditionalGeneration.from_pretrained("google/pix2struct-textcaps-base")
processor = Pix2StructProcessor.from_pretrained("google/pix2struct-textcaps-base")

inputs = processor(images=image, return_tensors="pt")

predictions = model.generate(**inputs)
print(processor.decode(predictions[0], skip_special_tokens=True))
>>> 街角有一个停车标志。

GPU全精度运行：

import requests
from PIL import Image
from transformers import Pix2StructForConditionalGeneration, Pix2StructProcessor

url = "https://www.ilankelman.org/stopsigns/australia.jpg"
image = Image.open(requests.get(url, stream=True).raw)

model = Pix2StructForConditionalGeneration.from_pretrained("google/pix2struct-textcaps-base").to("cuda")
processor = Pix2StructProcessor.from_pretrained("google/pix2struct-textcaps-base")

inputs = processor(images=image, return_tensors="pt").to("cuda")

predictions = model.generate(**inputs)
print(processor.decode(predictions[0], skip_special_tokens=True))
>>> 街角有一个停车标志。

GPU半精度运行：

import requests
import torch
from PIL import Image
from transformers import Pix2StructForConditionalGeneration, Pix2StructProcessor

url = "https://www.ilankelman.org/stopsigns/australia.jpg"
image = Image.open(requests.get(url, stream=True).raw)

model = Pix2StructForConditionalGeneration.from_pretrained("google/pix2struct-textcaps-base", torch_dtype=torch.bfloat16).to("cuda")
processor = Pix2StructProcessor.from_pretrained("google/pix2struct-textcaps-base")

inputs = processor(images=image, return_tensors="pt").to("cuda", torch.bfloat16)

predictions = model.generate(**inputs)
print(processor.decode(predictions[0], skip_special_tokens=True))
>>> 街角有一个停车标志。

调整序列长度

模型训练序列长度为2048。可减少长度以节省内存，但短序列（<512）可能导致性能下降。通过max_patches参数设置：

inputs = processor(images=image, return_tensors="pt", max_patches=512)

条件生成

可添加输入文本进行条件生成：

import requests
from PIL import Image
from transformers import Pix2StructForConditionalGeneration, Pix2StructProcessor

url = "https://www.ilankelman.org/stopsigns/australia.jpg"
image = Image.open(requests.get(url, stream=True).raw)
text = "一张图片显示"

model = Pix2StructForConditionalGeneration.from_pretrained("google/pix2struct-textcaps-base")
processor = Pix2StructProcessor.from_pretrained("google/pix2struct-textcaps-base")

inputs = processor(images=image, text=text, return_tensors="pt")

predictions = model.generate(**inputs)
print(processor.decode(predictions[0], skip_special_tokens=True))
>>> 一张图片显示停车标志上写着“是”。

贡献

该模型最初由Kenton Lee、Mandar Joshi等人贡献，并由Murali Manohar引入Hugging Face生态。

引用

若需引用，请参考原论文：

@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},
  title = {Pix2Struct: 截图解析作为视觉语言理解的预训练},
  publisher = {arXiv},
  year = {2022},
  copyright = {知识共享署名4.0国际许可}
}