/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
pix2struct · dense
Опубликована
3 апр 2023

matcha-base

Вопросы по изображениюИзображение, текст → текст3 профессии

Базовая визуально-языковая модель Pix2Struct для ответов на вопросы по графикам, диаграммам и другим изображениям, предназначенная для дообучения.

233скачиваний за 30 дней31лайквеса обновлены22 июл 2023

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 «Изображение → текст» — 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

MatCha-base — базовая модель семейства MatCha, разработанная Fangyu Liu, Francesco Piccinno и соавторами и опубликованная в экосистеме Hugging Face при участии Younes Belkada. Это визуально-языковая модель архитектуры Pix2Struct для ответов на вопросы по изображениям; карточка позиционирует её как основу для дообучения.

MatCha обучалась улучшать понимание графиков, диаграмм и инфографики с помощью предварительного обучения на задачах деконструкции графиков и числовых рассуждений. Её можно применять для ответов на вопросы по графикам и таблицам на изображениях, а также адаптировать для анализа снимков экрана, учебных схем и иллюстраций в документах. В описании исследования сообщается о результатах на PlotQA и ChartQA и переносе улучшений на смежные визуальные задачи.

Модель принимает изображение и текстовый вопрос и генерирует текстовый ответ. В метаданных указаны английский, французский, румынский и немецкий языки. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Это базовый чекпойнт, предназначенный для дообучения, поэтому качество ответов в конкретном прикладном сценарии зависит от адаптации.

Сценарии применения

  • ответы на вопросы по графикам и диаграммам
  • извлечение числовых сведений из графиков
  • интерпретация инфографики по текстовому запросу
  • адаптация модели для анализа учебных схем
  • дообучение для ответов по иллюстрациям в документах

Ограничения

Карточка описывает базовую модель и рекомендует использовать её для дообучения, а не как готовую прикладную систему. Основной упор сделан на графики, диаграммы и числовые рассуждения; результаты для конкретных данных потребуют проверки.

Для каких профессий подходит3

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

Model card for MatCha - base model

This model is the base MatCha model. Can be used for fine-tuning purposes only.

Table of Contents

  1. TL;DR
  2. Using the model
  3. Contribution
  4. Citation

TL;DR

The abstract of the paper states that:

Visual language data such as plots, charts, and infographics are ubiquitous in the human world. However, state-of-the-art visionlanguage models do not perform well on these data. We propose MATCHA (Math reasoning and Chart derendering pretraining) to enhance visual language models’ capabilities jointly modeling charts/plots and language data. Specifically we propose several pretraining tasks that cover plot deconstruction and numerical reasoning which are the key capabilities in visual language modeling. We perform the MATCHA pretraining starting from Pix2Struct, a recently proposed imageto-text visual language model. On standard benchmarks such as PlotQA and ChartQA, MATCHA model outperforms state-of-the-art methods by as much as nearly 20%. We also examine how well MATCHA pretraining transfers to domains such as screenshot, textbook diagrams, and document figures and observe overall improvement, verifying the usefulness of MATCHA pretraining on broader visual language tasks.

Using the model

from transformers import Pix2StructProcessor, Pix2StructForConditionalGeneration
import requests
from PIL import Image

processor = Pix2StructProcessor.from_pretrained('google/matcha-base')
model = Pix2StructForConditionalGeneration.from_pretrained('google/matcha-base')

url = "https://raw.githubusercontent.com/vis-nlp/ChartQA/main/ChartQA%20Dataset/val/png/20294671002019.png"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(images=image, text="Is the sum of all 4 places greater than Laos?", return_tensors="pt")
predictions = model.generate(**inputs, max_new_tokens=512)
print(processor.decode(predictions[0], skip_special_tokens=True))
>>> No

Converting from T5x to huggingface

You can use the convert_pix2struct_checkpoint_to_pytorch.py script as follows:

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

if you are converting a large model, run:

python convert_pix2struct_checkpoint_to_pytorch.py --t5x_checkpoint_path PATH_TO_T5X_CHECKPOINTS --pytorch_dump_path PATH_TO_SAVE --use-large --is_vqa

Once saved, you can push your converted model with the following snippet:

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")

Contribution

This model was originally contributed by Fangyu Liu, Francesco Piccinno et al. and added to the Hugging Face ecosystem by Younes Belkada.

Citation

If you want to cite this work, please consider citing the original paper:

@misc{liu2022matcha,
      title={MatCha: Enhancing Visual Language Pretraining with Math Reasoning and Chart Derendering}, 
      author={Fangyu Liu and Francesco Piccinno and Syrine Krichene and Chenxi Pang and Kenton Lee and Mandar Joshi and Yasemin Altun and Nigel Collier and Julian Martin Eisenschlos},
      year={2022},
      eprint={2212.09662},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

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
8a3e424

0 моделей