语言:

• 英文
• 法文
• 罗马尼亚文
• 德文
• 多语言 推理: 不支持 任务标签: 视觉问答 许可协议: Apache-2.0

Pix2Struct模型卡片 - 微调于部件描述任务（屏幕界面组件标注）的大规模版本

目录

0. 摘要
1. 使用模型
2. 贡献说明
3. 引用文献

摘要

Pix2Struct是一种图像编码器-文本解码器模型，通过处理多样化的图文配对数据进行训练，支持图像描述和视觉问答等任务。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——从带图解的教科书到含图像表格的网页，再到有按钮表单的移动应用。或许由于这种多样性，先前研究通常依赖特定领域的定制方案，限制了底层数据、模型架构和目标的共享。我们提出Pix2Struct，一个专为纯视觉语言理解预训练的图到文模型，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。网络环境中视觉元素与HTML结构的清晰对应关系，为下游任务的多样性提供了优质的大规模预训练数据源。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，以及更灵活的视觉语言输入整合方式——直接将问题等语言提示渲染在输入图像上。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格式

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

操作指南与基础版文本描述模型完全一致。

贡献说明

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

引用文献

若需引用，请参考原始论文：

@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 = {计算与语言(CS.CL), 计算机视觉与模式识别(CS.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手段},
  
  publisher = {arXiv},
  
  year = {2022},
  
  copyright = {知识共享署名4.0国际许可}
}