语言:

• 英文
• 法文
• 罗马尼亚文
• 德文
• 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Doc-VQA（扫描文档视觉问答）微调的大规模版本

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，通过图像-文本对训练，适用于图像描述生成和视觉问答等多种任务。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，限制了底层数据、模型架构和目标的共享。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。该模型通过解析网页截图掩码为简化HTML进行预训练。网络视觉元素的丰富性清晰反映在HTML结构中，为下游任务多样性提供了优质预训练数据源。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法，以及更灵活的语言视觉输入整合方式——问题等语言提示会直接渲染在输入图像上。我们首次证明，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

使用以下脚本进行转换：

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

转换大模型时添加参数：

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

操作指南与pix2struct-aid-base模型完全一致。

贡献

该模型由Kenton Lee、Mandar Joshi等人首创，并由Younes Belkada引入Hugging Face生态。

引用

若需引用此工作，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(CS.CL), 计算机视觉与模式识别(CS.CV), 计算机与信息科学, 计算机与信息科学},
  
  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国际许可协议}
}