🚀 Pix2Struct - 在TextCaps上微调的大版本模型卡

Pix2Struct是一个图像编码器 - 文本解码器模型，可用于图像字幕生成和视觉问答等多种图像转文本任务，具有强大的视觉语言理解能力。

🚀 快速开始

从T5x转换为Hugging Face模型

你可以使用convert_pix2struct_checkpoint_to_pytorch.py脚本进行转换，命令如下：

python convert_pix2struct_checkpoint_to_pytorch.py --t5x_checkpoint_path PATH_TO_T5X_CHECKPOINTS --pytorch_dump_path PATH_TO_SAVE

如果你要转换大模型，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，你可以使用以下代码片段将转换后的模型推送到Hugging Face Hub：

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

全精度，在CPU上运行

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")

# 仅输入图像
inputs = processor(images=image, return_tensors="pt")

predictions = model.generate(**inputs)
print(processor.decode(predictions[0], skip_special_tokens=True))
>>> A street scene with a sign that says "STOP".

全精度，在GPU上运行

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-large").to("cuda")
processor = Pix2StructProcessor.from_pretrained("google/pix2struct-textcaps-large")

# 仅输入图像
inputs = processor(images=image, return_tensors="pt").to("cuda")

predictions = model.generate(**inputs)
print(processor.decode(predictions[0], skip_special_tokens=True))
>>> A street scene with a sign that says "STOP".

半精度，在GPU上运行

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

# 仅输入图像
inputs = processor(images=image, return_tensors="pt").to("cuda", torch.bfloat16)

predictions = model.generate(**inputs)
print(processor.decode(predictions[0], skip_special_tokens=True))
>>> A street scene with a sign that says "STOP".

使用不同的序列长度

该模型在序列长度为4096的情况下进行训练。你可以尝试减少序列长度以提高推理的内存效率，但对于较小的序列长度（<1024），可能会观察到一些性能下降。在调用处理器时传递max_patches参数即可：

inputs = processor(images=image, return_tensors="pt", max_patches=1024)

条件生成

你还可以预先添加一些输入文本以执行条件生成：

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 = "A picture of"

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

# 仅输入图像
inputs = processor(images=image, text=text, return_tensors="pt")

predictions = model.generate(**inputs)
print(processor.decode(predictions[0], skip_special_tokens=True))

✨ 主要特性

• 多语言支持：支持英语、法语、罗马尼亚语、德语等多种语言以及多语言模式。
• 图像转文本能力：可用于图像字幕生成、视觉问答等多种图像转文本任务。
• 创新预训练策略：通过学习将网页的掩码截图解析为简化的HTML进行预训练，适用于多种下游任务。
• 灵活的输入表示：引入可变分辨率输入表示和更灵活的语言与视觉输入集成方式。

📚 详细文档

模型概述

视觉情境语言无处不在，其来源广泛，从带有图表的教科书到带有图像和表格的网页，再到带有按钮和表单的移动应用程序。由于这种多样性，以往的工作通常依赖于特定领域的方法，底层数据、模型架构和目标的共享有限。

Pix2Struct是一种用于纯视觉语言理解的预训练图像到文本模型，可在包含视觉情境语言的任务上进行微调。它通过学习将网页的掩码截图解析为简化的HTML进行预训练。网络中丰富的视觉元素清晰地反映在HTML结构中，为预训练数据提供了大量来源，非常适合下游任务的多样性。直观地说，这个目标包含了常见的预训练信号，如OCR、语言建模、图像字幕生成。

除了新颖的预训练策略，还引入了可变分辨率输入表示和更灵活的语言与视觉输入集成方式，其中诸如问题之类的语言提示直接渲染在输入图像之上。首次表明，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。

模型相关表格

🔧 技术细节

预训练策略

Pix2Struct通过学习将网页的掩码截图解析为简化的HTML进行预训练。网络中丰富的视觉元素清晰地反映在HTML结构中，为预训练数据提供了大量来源，非常适合下游任务的多样性。这种预训练策略包含了常见的预训练信号，如OCR、语言建模、图像字幕生成。

输入表示

引入了可变分辨率输入表示和更灵活的语言与视觉输入集成方式，其中语言提示（如问题）直接渲染在输入图像之上。

📄 许可证

本模型使用Apache-2.0许可证。

👥 贡献者

此模型最初由Kenton Lee、Mandar Joshi等人贡献，并由Younes Belkada添加到Hugging Face生态系统中。

📖 引用

如果你想引用此工作，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}
}