/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
pix2struct · dense
Опубликована
26 июл 2024

StructTable-base

Описание изображенийИзображение → текст4 профессии

Модель Pix2Struct преобразует изображения таблиц, в частности из научных документов, в структурированную разметку LaTeX.

142скачиваний за 30 дней13лайковвеса обновлены6 дек 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание текста» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

InternScience/StructTable-base — модель семейства Pix2Struct, разработанная авторами StructEqTable для преобразования изображений таблиц в код LaTeX. Она предназначена для извлечения структуры таблиц из научных документов и может применяться в задачах последующего анализа табличных данных. В карточке указаны варианты с 4096 и 2048 визуальными токенами; размер модели составляет около 300 млн параметров, обучение проводилось на DocGenome. Версия с аугментацией данных заявлена как более быстрая и устойчивая при инференсе.

Модель принимает изображение таблицы и по умолчанию выдаёт текст с разметкой LaTeX. README сообщает о поддержке таблиц из научных документов и китайской версии. Для простых таблиц LaTeX-вывод можно преобразовать в HTML или Markdown внешним инструментом; поддержка объединённых ячеек при таком преобразовании ограничена. Точность может снижаться на шрифтах, отличных от Times New Roman и 宋体. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение таблиц из изображений научных статей в LaTeX
  • восстановление строк, столбцов и объединённых ячеек по изображению таблицы
  • подготовка табличных данных из документов к последующему анализу
  • преобразование простых таблиц из LaTeX в HTML или Markdown внешним инструментом

Ограничения

Качество может снижаться на шрифтах, отличных от Times New Roman и 宋体. Преобразование LaTeX в HTML или Markdown через описанный внешний инструмент ограничено простыми таблицами без объединённых ячеек.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

[ Github Repo ] [ Related Paper ] [ Website ]

[ Dataset (Google Drive)] [ Dataset (Hugging Face) ] [Models 🤗(Hugging Face)]

Welcome to the official repository of StructEqTable-Deploy, a solution that converts images of Table into LaTeX, powered by scalable data from DocGenome benchmark.

Overview

Table is an effective way to represent structured data in scientific publications, financial statements, invoices, web pages, and many other scenarios. Extracting tabular data from a visual table image and performing the downstream reasoning tasks according to the extracted data is challenging, mainly due to that tables often present complicated column and row headers with spanning cell operation. To address these challenges, we present TableX, a large-scale multi-modal table benchmark extracted from DocGenome benchmark for table pre-training, comprising more than 2 million high-quality Image-LaTeX pair data covering 156 disciplinary classes. Besides, benefiting from such large-scale data, we train an end-to-end model, StructEqTable, which provides the capability to precisely obtain the corresponding LaTeX description from a visual table image and perform multiple table-related reasoning tasks, including structural extraction and question answering, broadening its application scope and potential.

Changelog

Tips: Current version of StructEqTable is able to process table images from scientific documents such as arXiv, Scihub papers. Times New Roman And Songti(宋体) are main fonts used in table image, other fonts may decrease the accuracy of the model's output.

  • [2024/8/22] 🔥 We have released our latest model, fine-tuned on the DocGenome dataset. This version features improved inference speed and robustness, achieved through data augmentation and reduced image token num.
  • [2024/8/08] We have released the TensorRT accelerated version, which only takes about 1 second for most images on GPU A100. Please follow the tutorial to install the environment and compile the model weights.
  • [2024/7/30] We have released the first version of StructEqTable.

TODO

  • Release inference code and checkpoints of StructEqTable.
  • Support Chinese version of StructEqTable.
  • Accelerated version of StructEqTable using TensorRT-LLM.
  • Expand more domains of table image to improve the model's general capabilities.
  • Release our table pre-training and fine-tuning code

Efficient Inference

Our model now supports TensorRT-LLM deployment, achieving a 10x or more speedup in during inference.
Please refer to GETTING_STARTED.md to learn how to depoly.

Installation

conda create -n structeqtable python>=3.10
conda activate structeqtable

# Install from Source code  (Suggested)
git clone https://github.com/UniModal4Reasoning/StructEqTable-Deploy.git
cd StructEqTable-Deploy
python setup develop

# or Install from Github repo
pip install "git+https://github.com/UniModal4Reasoning/StructEqTable-Deploy.git"

# or Install from PyPI
pip install struct-eqtable==0.1.0

Model Zoo

ModelImage Token NumModel SizeTraining DataData AugmentationTensorRTHuggingFace
StructEqTable-base4096~300MDocGenome☑️v0.1
StructEqTable-base2048~300MDocGenome☑️☑️v0.2

Quick Demo

  • Run the demo/demo.py
cd tools/demo

python demo.py \
  --image_path ./demo.png \
  --ckpt_path ${CKPT_PATH} \
  --output_format latex
  • HTML or Markdown format output

    Our model output Latex format code by default. If you want to get other format like HTML or Markdown, pypandoc support convert latex format code into HTML and Markdown format for simple table (table has no merge cell ).

sudo apt install pandoc
pip install pypandoc

cd tools/demo

python demo.py \
  --image_path ./demo.png \
  --ckpt_path ${CKPT_PATH} \
  --output_format html markdown
  • Visualization Results
    • The input data are sampled from SciHub domain.

Acknowledgements

  • DocGenome. An Open Large-scale Scientific Document Benchmark for Training and Testing Multi-modal Large Models.
  • ChartVLM. A Versatile Benchmark and Foundation Model for Complicated Chart Reasoning.
  • Pix2Struct. Screenshot Parsing as Pretraining for Visual Language Understanding.
  • UniMERNet. A Universal Network for Real-World Mathematical Expression Recognition.
  • Donut. The UniMERNet's Transformer Encoder-Decoder are referenced from Donut.
  • Nougat. The tokenizer uses Nougat.
  • TensorRT-LLM. Model inference acceleration uses TensorRT-LLM.

License

StructEqTable is released under the Apache License 2.0

Citation

If you find our models / code / papers useful in your research, please consider giving ⭐ and citations 📝, thx :)

@article{xia2024docgenome,
  title={DocGenome: An Open Large-scale Scientific Document Benchmark for Training and Testing Multi-modal Large Language Models},
  author={Xia, Renqiu and Mao, Song and Yan, Xiangchao and Zhou, Hongbin and Zhang, Bo and Peng, Haoyang and Pi, Jiahao and Fu, Daocheng and Wu, Wenjie and Ye, Hancheng and others},
  journal={arXiv preprint arXiv:2406.11633},
  year={2024}
}

Contact Us

If you encounter any issues or have questions, please feel free to contact us via zhouhongbin@pjlab.org.cn.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Pix2StructForConditionalGeneration
Ревизия весов
ce0e4d8

0 моделей