语言:

• 英语
• 法语
• 罗马尼亚语
• 德语
• 多语言 任务标签: 视觉问答 推理: 不支持 许可证: Apache-2.0

Pix2Struct模型卡片 - 基于信息图表VQA微调（针对高分辨率信息图表的视觉问答）

目录

0. 摘要
1. 使用模型
2. 贡献
3. 引用

摘要

Pix2Struct是一种图像编码器-文本解码器模型，通过图像-文本对进行训练，适用于多种任务，包括图像描述生成和视觉问答。完整模型列表可参见论文表1：

模型摘要指出：

视觉化语言无处不在——来源涵盖带图解的教科书、含图像表格的网页，乃至带按钮表单的移动应用。或许由于这种多样性，先前研究通常依赖领域特定方法，限制了底层数据、模型架构及目标的共享。我们提出Pix2Struct，一个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化语言的任务。Pix2Struct通过解析网页截图掩码为简化HTML进行预训练。网络以其丰富的视觉元素（清晰反映在HTML结构中）提供了适应下游任务多样性的海量预训练数据。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及更灵活的语言视觉输入整合方式——问题等语言提示直接渲染在输入图像上。首次证明，单一预训练模型能在文档、插图、用户界面和自然图像四大领域的九项任务中，六项达到最先进水平。

使用模型

从T5x转换至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

转换大模型时添加：

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

转换完成后，推送模型示例：

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

操作指南与pix2struct-aid-base模型完全一致。

贡献

该模型由Kenton Lee、Mandar Joshi等人原创贡献，并由Younes Belkada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},
  keywords = {计算与语言, 计算机视觉与模式识别, 计算机科学},
  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}
}