/ Модель

Характеристики

Лицензия
MIT
Архитектура
blip-2 · dense
Библиотека
transformers
Опубликована
7 окт 2024

OmniParser

Изображение и текст → текст4 профессии

OmniParser преобразует снимки экранов пользовательского интерфейса в структурированные элементы с координатами интерактивных областей и описаниями значков.

810скачиваний за 30 дней1 717лайковвеса обновлены2 дек 2024

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

OmniParser — инструмент Microsoft для разбора снимков экрана пользовательского интерфейса. В состав репозитория входят дообученные модели YOLOv8 для обнаружения интерактивных элементов и BLIP-2 для описания значков; в метаданных карточки указана архитектура BLIP-2 и задача image-text-to-text. Модели обучались на данных об обнаружении значков и областей, доступных для нажатия, а также на описаниях функций значков.

Модель преобразует снимки экранов компьютеров и телефонов из разных приложений в структурированный список элементов: координаты интерактивных областей и текстовые подписи с возможными функциями значков. Её можно применять как компонент LLM-агента, работающего с графическим интерфейсом. Выходные данные требуют проверки человеком; модель не предназначена для выявления вредоносного содержимого и может ошибочно приписывать людям на значках чувствительные характеристики. Разработчик не рекомендует использовать OmniParser в рабочих сценариях. Лицензия — MIT.

Сценарии применения

  • извлечение интерактивных областей из скриншота приложения
  • определение значков и предполагаемых функций элементов интерфейса
  • подготовка структурированного описания экрана для LLM-агента
  • разбор скриншотов интерфейсов компьютеров и телефонов

Ограничения

Результаты требуют проверки человеком: модель не обнаруживает вредоносное содержимое и может ошибочно выводить чувствительные характеристики людей по изображениям значков. Разработчик не рекомендует применять её в рабочих сценариях.

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

📢 [Project Page] [Blog Post] [Demo]

Model Summary

OmniParser is a general screen parsing tool, which interprets/converts UI screenshot to structured format, to improve existing LLM based UI agent. Training Datasets include: 1) an interactable icon detection dataset, which was curated from popular web pages and automatically annotated to highlight clickable and actionable regions, and 2) an icon description dataset, designed to associate each UI element with its corresponding function.

This model hub includes a finetuned version of YOLOv8 and a finetuned BLIP-2 model on the above dataset respectively. For more details of the models used and finetuning, please refer to the paper.

Responsible AI Considerations

Intended Use

  • OmniParser is designed to be able to convert unstructured screenshot image into structured list of elements including interactable regions location and captions of icons on its potential functionality.
  • OmniParser is intended to be used in settings where users are already trained on responsible analytic approaches and critical reasoning is expected. OmniParser is capable of providing extracted information from the screenshot, however human judgement is needed for the output of OmniParser.
  • OmniParser is intended to be used on various screenshots, which includes both PC and Phone, and also on various applications.

limitations

  • OmniParser is designed to faithfully convert screenshot image into structured elements of interactable regions and semantics of the screen, while it does not detect harmful content in its input (like users have freedom to decide the input of any LLMs), users are expected to provide input to the OmniParser that is not harmful.
  • While OmniParser only converts screenshot image into texts, it can be used to construct an GUI agent based on LLMs that is actionable. When developing and operating the agent using OmniParser, the developers need to be responsible and follow common safety standard.
  • For OmniPaser-BLIP2, it may incorrectly infer the gender or other sensitive attribute (e.g., race, religion etc.) of individuals in icon images. Inference of sensitive attributes may rely upon stereotypes and generalizations rather than information about specific individuals and are more likely to be incorrect for marginalized people. Incorrect inferences may result in significant physical or psychological injury or restrict, infringe upon or undermine the ability to realize an individual’s human rights. We do not recommend use of OmniParser in any workplace-like use case scenario.

License

Please note that icon_detect model is under AGPL license, and icon_caption_blip2 & icon_caption_florence is under MIT license. Please refer to the LICENSE file in the folder of each model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Blip2ForConditionalGeneration
Ревизия весов
9a02350

0 моделей