语言:

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

Pix2Struct模型卡片 - 基于OCR-VQA（书籍封面视觉问答）微调版本

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，通过多种任务的图像-文本对训练，包括图像描述生成和视觉问答。完整模型列表详见论文表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，以及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案，底层数据、模型架构和目标共享有限。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。网络以其视觉元素丰富性清晰地反映在HTML结构中，提供了适合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和更灵活的视觉语言输入整合方式，问题等语言提示可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九个任务中六项达到最先进效果。

使用模型

从T5x转换至HuggingFace格式

使用以下脚本转换：

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

大模型转换需添加参数：

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，可通过以下代码推送至Hub：

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(CL), 计算机视觉与模式识别(CV), 计算机科学, 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}
}