🚀 Pix2Struct - 在TextCaps上微调的模型卡

Pix2Struct是一个图像编码器 - 文本解码器模型，可用于图像描述和视觉问答等多种任务。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，能在包含视觉语言的任务上进行微调。

🚀 快速开始

模型转换

你可以使用convert_pix2struct_checkpoint_to_pytorch.py脚本将模型从T5x转换为Hugging Face格式：

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

如果你要转换大型模型，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

基础用法

在CPU上以全精度运行模型：

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")

# 仅处理图像
inputs = processor(images=image, return_tensors="pt")

predictions = model.generate(**inputs)
print(processor.decode(predictions[0], skip_special_tokens=True))
>>> A stop sign is on a street corner.

高级用法

• 在GPU上以全精度运行：

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

# 仅处理图像
inputs = processor(images=image, return_tensors="pt").to("cuda")

predictions = model.generate(**inputs)
print(processor.decode(predictions[0], skip_special_tokens=True))
>>> A stop sign is on a street corner.

• 在GPU上以半精度运行：

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

# 仅处理图像
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 stop sign is on a street corner.

• 使用不同的序列长度： 此模型在序列长度为2048的情况下进行训练。你可以尝试减小序列长度以提高推理的内存效率，但对于较小的序列长度（<512），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：

inputs = processor(images=image, return_tensors="pt", max_patches=512)

• 条件生成： 你还可以预先添加一些输入文本以进行条件生成：

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-base")
processor = Pix2StructProcessor.from_pretrained("google/pix2struct-textcaps-base")

# 仅处理图像
inputs = processor(images=image, text=text, return_tensors="pt")

predictions = model.generate(**inputs)
print(processor.decode(predictions[0], skip_special_tokens=True))
>>> A picture of a stop sign that says yes.

✨ 主要特性

• 多语言支持：支持英语、法语、罗马尼亚语、德语和多语言。
• 图像到文本转换：适用于图像描述和视觉问答等任务。
• 预训练策略：通过学习解析网页掩码截图为简化HTML进行预训练。

📚 详细文档

模型概述

视觉情境语言无处不在，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，以前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是一种预训练的图像到文本模型，用于纯视觉语言理解，可以在包含视觉情境语言的任务上进行微调。

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。网络上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、图像描述。

输入表示和集成

除了新颖的预训练策略，还引入了可变分辨率的输入表示和更灵活的语言和视觉输入集成，其中问题等语言提示直接渲染在输入图像之上。首次表明，一个单一的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。

🔧 技术细节

模型结构

Pix2Struct是一个图像编码器 - 文本解码器模型。

训练数据

模型的预训练数据来自网页的掩码截图。

模型性能

在四个领域的九个任务中的六个任务中取得了最先进的结果。

📄 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}
}