/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
layoutlmv3 · dense
Базовая модель
layoutlmv3-base
Опубликована
21 фев 2023

layoutlmv3-base-mpdocvqa

Ответы на вопросыТекст → текст6 профессий

Дообученная LayoutLMv3 отвечает на вопросы по многостраничным документам и определяет страницу с нужной информацией.

95скачиваний за 30 дней10лайковвеса обновлены6 июн 2024

Бенчмарки

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

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

Модель rubentito/layoutlmv3-base-mpdocvqa — версия LayoutLMv3 от Microsoft, дообученная на наборе MP-DocVQA. Это мультимодальный Transformer с архитектурой LayoutLMv3 и 151,8 млн параметров, предназначенный для ответов на вопросы по многостраничным документам. Модель принимает изображение документа и вопрос, находит нужные сведения и может предсказывать страницу, где находится ответ.

Модель использовалась как базовый ориентир в исследовании Hierarchical multimodal transformers for Multi-Page DocVQA. В README приведены метрики ANLS для качества текстовых ответов и APPA для точности определения страницы. Основной язык карточки — английский; лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных работ на тех же условиях и ограничивает коммерческое использование.

Сценарии применения

  • поиск ответа на вопрос в многостраничном документе
  • извлечение сведений из отсканированных документов
  • определение страницы, содержащей ответ
  • ответы на вопросы по документам MP-DocVQA

Ограничения

Дообучение ориентировано на MP-DocVQA, поэтому качество на других типах документов и языках может отличаться. Лицензия запрещает коммерческое использование.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LayoutLMv3 base fine-tuned on MP-DocVQA

This is pretrained LayoutLMv3 from Microsoft hub and fine-tuned on Multipage DocVQA (MP-DocVQA) dataset.

This model was used as a baseline in Hierarchical multimodal transformers for Multi-Page DocVQA.

  • Results on the MP-DocVQA dataset are reported in Table 2.
  • Training hyperparameters can be found in Table 8 of Appendix D.

How to use

Here is how to use this model to get the features of a given text in PyTorch:

import torch
from transformers import LayoutLMv3Processor, LayoutLMv3ForQuestionAnswering

processor = LayoutLMv3Processor.from_pretrained("rubentito/layoutlmv3-base-mpdocvqa", apply_ocr=False)
model = LayoutLMv3ForQuestionAnswering.from_pretrained("rubentito/layoutlmv3-base-mpdocvqa")

image = Image.open("example.jpg").convert("RGB")
question = "Is this a question?"
context = ["Example"]
boxes = [0, 0, 1000, 1000]  # This is an example bounding box covering the whole image.
document_encoding = processor(image, question, context, boxes=boxes, return_tensors="pt")
outputs = model(**document_encoding)

# Get the answer
start_idx = torch.argmax(outputs.start_logits, axis=1)
end_idx = torch.argmax(outputs.end_logits, axis=1)
answers = self.processor.tokenizer.decode(input_tokens[start_idx: end_idx+1]).strip()

Metrics

Average Normalized Levenshtein Similarity (ANLS)

The standard metric for text-based VQA tasks (ST-VQA and DocVQA). It evaluates the method's reasoning capabilities while smoothly penalizes OCR recognition errors. Check Scene Text Visual Question Answering for detailed information.

Answer Page Prediction Accuracy (APPA)

In the MP-DocVQA task, the models can provide the index of the page where the information required to answer the question is located. For this subtask accuracy is used to evaluate the predictions: i.e. if the predicted page is correct or not. Check Hierarchical multimodal transformers for Multi-Page DocVQA for detailed information.

Model results

Extended experimentation can be found in Table 2 of Hierarchical multimodal transformers for Multi-Page DocVQA. You can also check the live leaderboard at the RRC Portal.

ModelHF nameParametersANLSAPPA
Bert largerubentito/bert-large-mpdocvqa334M0.418351.6177
Longformer baserubentito/longformer-base-mpdocvqa148M0.528771.1696
BigBird ITC baserubentito/bigbird-base-itc-mpdocvqa131M0.492967.5433
LayoutLMv3 baserubentito/layoutlmv3-base-mpdocvqa125M0.453851.9426
T5 baserubentito/t5-base-mpdocvqa223M0.50500.0000
Hi-VT5rubentito/hivt5-base-mpdocvqa316M0.620179.23

Citation Information

@article{tito2022hierarchical,
  title={Hierarchical multimodal transformers for Multi-Page DocVQA},
  author={Tito, Rub{\`e}n and Karatzas, Dimosthenis and Valveny, Ernest},
  journal={arXiv preprint arXiv:2212.05935},
  year={2022}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · question-answering

Можно запустить

Подбираем GPU…

Класс архитектуры
LayoutLMv3ForQuestionAnswering
Ревизия весов
2142504

0 моделей