语言:

• 英语
• 法语
• 罗马尼亚语
• 德语
• 多语言 任务标签: 图像转文本 推理: 不支持 许可证: Apache-2.0

Pix2Struct模型卡片 - TextCaps微调版 - 大模型

目录

0. 摘要
1. 使用模型
2. 贡献
3. 引用

摘要

Pix2Struct是一个图像编码器-文本解码器模型，通过图像-文本对进行多任务训练，包括图像描述生成和视觉问答。完整模型列表参见论文表1：

模型摘要指出：

视觉语言无处不在——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。可能由于这种多样性，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，为适应下游任务多样性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，问题等语言提示直接渲染在输入图像上。首次证明单个预训练模型能在文档、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convert_pix2struct_checkpoint_to_pytorch.py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

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))
>>> 街景中有个写着"STOP"的标识牌

GPU全精度运行：

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

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

GPU半精度运行：

model = Pix2StructForConditionalGeneration.from_pretrained("google/pix2struct-textcaps-large", torch_dtype=torch.bfloat16).to("cuda")
inputs = processor(images=image, return_tensors="pt").to("cuda", torch.bfloat16)

调整序列长度

模型默认训练序列长度4096。可通过max_patches参数减少内存占用（但可能影响性能）：

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

条件生成

可添加前缀文本进行条件生成：

text = "一张包含"
inputs = processor(images=image, text=text, return_tensors="pt")

贡献

该模型由Kenton Lee、Mandar Joshi等人原创贡献，Younes Belkada接入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: Screenshot Parsing as Pretraining for Visual Language Understanding},
  publisher = {arXiv},
  year = {2022},
  copyright = {Creative Commons Attribution 4.0 International}
}