开源 AI 食谱文档
使用视觉语言模型从图像或文档进行结构化生成
并获得增强的文档体验
开始使用
使用视觉语言模型从图像或文档进行结构化生成
我们将使用 HuggingFaceTB 的 SmolVLM-Instruct 模型从文档中提取结构化信息。我们将使用 Hugging Face Transformers 库和 Outlines 库运行 VLM,Outlines 库有助于基于限制令牌采样概率的结构化生成。
此方法基于 Outlines 教程。
依赖项和导入
首先,让我们安装必要的库。
%pip install accelerate outlines transformers torch flash-attn datasets sentencepiece
接下来,导入必要的库。
import outlines
import torch
from datasets import load_dataset
from outlines.models.transformers_vision import transformers_vision
from transformers import AutoModelForImageTextToText, AutoProcessor
from pydantic import BaseModel
初始化模型
我们将从 HuggingFaceTB/SmolVLM-Instruct 初始化模型。Outlines 要求我们传入模型类和处理器类,因此我们将通过创建一个返回这些的函数来使此示例更通用。或者,您可以查看 Hub repo 文件中的模型和分词器配置,并直接导入这些类。
model_name = "HuggingFaceTB/SmolVLM-Instruct"
def get_model_and_processor_class(model_name: str):
model = AutoModelForImageTextToText.from_pretrained(model_name)
processor = AutoProcessor.from_pretrained(model_name)
classes = model.__class__, processor.__class__
del model, processor
return classes
model_class, processor_class = get_model_and_processor_class(model_name)
if torch.cuda.is_available():
device = "cuda"
elif torch.backends.mps.is_available():
device = "mps"
else:
device = "cpu"
model = transformers_vision(
model_name,
model_class=model_class,
device=device,
model_kwargs={"torch_dtype": torch.bfloat16, "device_map": "auto"},
processor_kwargs={"device": device},
processor_class=processor_class,
)
结构化生成
现在,我们将定义一个函数,该函数将定义我们模型的输出结构。我们将使用 openbmb/RLAIF-V-Dataset,其中包含一组图像以及问题及其选择和拒绝的响应。这是一个不错的 数据集,但我们希望在图像之上创建额外的图像到文本数据,以获取我们自己的结构化数据集,并可能在此基础上微调我们的模型。我们将使用模型为图像生成字幕、问题和简单的质量标签。
class ImageData(BaseModel):
quality: str
description: str
question: str
structured_generator = outlines.generate.json(model, ImageData)
现在,让我们想出一个提取提示。
prompt = """
You are an image analysis assisant.
Provide a quality tag, a description and a question.
The quality can either be "good", "okay" or "bad".
The question should be concise and objective.
Return your response as a valid JSON object.
""".strip()
让我们加载图像数据集。
dataset = load_dataset("openbmb/RLAIF-V-Dataset", split="train[:10]")
dataset
现在,让我们定义一个函数,该函数将从图像中提取结构化信息。我们将使用 `apply_chat_template` 方法格式化提示,然后将其连同图像一起传递给模型。
def extract(row):
messages = [
{
"role": "user",
"content": [{"type": "image"}, {"type": "text", "text": prompt}],
},
]
formatted_prompt = model.processor.apply_chat_template(messages, add_generation_prompt=True)
result = structured_generator(formatted_prompt, [row["image"]])
row["synthetic_question"] = result.question
row["synthetic_description"] = result.description
row["synthetic_quality"] = result.quality
return row
dataset = dataset.map(lambda x: extract(x))
dataset
现在,让我们将新数据集推送到 Hub。
dataset.push_to_hub(
"davidberenstein1957/structured-generation-information-extraction-vlms-openbmb-RLAIF-V-Dataset", split="train"
)
结果并不完美,但它们是继续探索不同模型和提示的良好起点!
结论
我们已经看到了如何使用视觉语言模型从文档中提取结构化信息。我们可以使用类似的提取方法从文档中提取结构化信息,例如使用 `pdf2image` 将文档转换为图像,并对每页 PDF 图像进行信息提取。
pdf_path = "path/to/your/pdf/file.pdf"
pages = convert_from_path(pdf_path)
for page in pages:
extract_objects = extract_objects(page, prompt)
后续步骤
- 请查看 Outlines 库以获取更多关于如何使用它的信息。探索不同的方法和参数。
- 使用您自己的模型探索您自己的用例中的提取。
- 使用不同的方法从文档中提取结构化信息。