Pix2Struct 模型卡 - 在 Screen2Words（对 UI 屏幕进行标题描述）上微调

目录

TL;DR

Pix2Struct 是一个图像编码器 - 文本解码器模型，它在图像文本对上训练，用于各种任务，包括图像标题生成和视觉问答。可以在论文的表1中找到可用模型的完整列表：

该模型的摘要表明：

视觉定位语言是无处不在的 - 来源包括带有图表的教科书、带有图像和表格的网页，以及带有按钮和表单的移动应用程序。也许由于这种多样性，先前的工作通常依赖于特定领域的方法，其在基础数据、模型架构和目标方面的共享受限。我们提出了 Pix2Struct，这是一个用于纯视觉语言理解的预训练图像到文本模型，可以在包含视觉定位语言的任务上进行微调。 Pix2Struct 通过学习将屏幕截图的掩码解析为简化的HTML来进行预训练。Web具有在HTML结构中清晰反映的丰富的视觉元素，为下游任务的多样性提供了大量的预训练数据。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、图像标题生成。除了新颖的预训练策略，我们还介绍了一个可变分辨率的输入表示以及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之上。我们首次展示了单个预训练模型可以在四个领域中的九个任务中的六个任务取得最先进的结果：文档、插图、用户界面和自然图像。

使用模型

从 T5x 转换为 huggingface

您可以使用以下脚本：

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

如果要转换大型模型，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，可以使用以下代码段推送您的转换模型：

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")

运行模型

运行模型的说明与 pix2struct-textcaps-base 模型上所述的完全相同。

贡献

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

引用

如果您想引用这项工作，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}
}