Pix2Struct - 预训练模型权重的模型卡片

这个模型是 Pix2Struct 的预训练版本，仅用于微调目的。

目录

TL;DR

Pix2Struct 是一个图像编码器 - 文本解码器模型，通过图像 - 文本配对进行训练，用于各种任务，包括图像字幕和视觉问答。可在论文的表1中找到可用模型的完整列表：

摘要中的模型说明如下：

视觉化语言是无处不在的-来源范围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。也许由于这种多样性，以前的工作通常依赖于特定领域的配方，共享底层数据，模型架构和目标有限。我们提出 Pix2Struct，这是一个纯视觉语言理解的预训练图像到文本模型，可以在包含视觉化语言的任务上进行微调。Pix2Struct 通过学习将屏幕截图的蒙版解析为简化的HTML来进行预训练。Web页面作为丰富的视觉元素，其HTML结构干净地反映了实现多样性的源，提供了适用于下游任务的大量预训练数据。直观地说，这个目标包含了常见的预训练信号，如OCR、语言建模和图像字幕。除了新颖的预训练策略，我们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，其中语言提示，如问题，直接呈现在输入图像上方。我们首次展示了单一的预训练模型可以在四个领域（文件、插图、用户界面和自然图像）的九个任务中实现六个最先进的结果。

使用模型

从 T5x 转换到 huggingface

您可以按照以下方式使用 convert_pix2struct_checkpoint_to_pytorch.py 脚本：

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

如果您要转换一个大型模型，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，您可以使用以下片段推送您转换的模型：

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")

贡献

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

引用

如果您想引用这个工作，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}
}