Logo

Microsoft/TrOCR-识别手写文字的利器,让AI在教育领域更进一步

项目简介

TrOCR 模型是一个编码器-解码器模型,由图像 Transformer 充当编码器,文本 Transformer 充当解码器。图像编码器是使用 BEiT 的权重进行初始化的,而文本解码器则是使用 RoBERTa 的权重进行初始化。

图像被呈现给模型作为一系列固定大小的图块(分辨率为 16x16),这些图块被线性嵌入。在将序列提供给 Transformer 编码器的层之前,还会添加绝对位置嵌入。接下来,Transformer 文本解码器自回归地生成标记。

架构

(TrOCR 架构,摘自原始论文)

模型设置

克隆存储库并确保已安装 conda 或 miniconda,然后进入克隆存储库的目录并运行以下命令:

conda env create -n trocr --file environment.yml
conda activate trocr

这将安装所有必要的库。

在没有 GPU 的情况下进行训练:

强烈建议使用 CUDA GPU,但也可以在 CPU 上完成所有操作。在这种情况下,请使用 environment-cpu.yml 文件进行安装。如果进程终止时出现警告 "killed",请减小批处理大小以适应工作内存。

使用存储库

有三种模式:推理(inference)、验证(validation)和训练(training)。它们三者都可以从正确路径中的本地模型开始(参见 src/constants/paths),也可以使用来自 Huggingface 的预训练模型。默认情况下,推理和验证使用本地模型,而训练则默认使用 Huggingface 模型。

· 推理(预测):

python -m src predict <image_files>  # predict image files using the trained local model
python -m src predict data/img1.png data/img2.png  # list all image files
python -m src predict data/*  # also works with shell expansion
python -m src predict data/* --no-local-model  # uses the pretrained huggingface model

· 验证:

python -m src validate # uses pretrained local model
python -m src validate --no-local-model # loads pretrained model from huggingface

· 训练:

python -m src train  # starts with pretrained model from huggingface
python -m src train --local-model  # starts with pretrained local model

对于验证和训练,输入图像应位于 train 和 val 目录中,标签应位于 gt/labels.csv 文件中。在 CSV 文件中,每一行应包括图像名称,然后以结束,例如 img1.png, a(如有必要,用引号括起来)。

如果要从其他位置读取标签也很简单。只需在 src/dataset.py 中的 load_filepaths_and_labels 函数中添加必要的代码。

要选择训练数据的子样本作为验证数据,可以使用以下命令:

find train -type f | shuf -n <num of val samples> | xargs -I '{}' mv {} val

集成到其他项目中

如果您想将预测结果作为更大项目的一部分使用,可以直接使用 main 中 TrocrPredictor 提供的接口。为此,请确保以 Python 模块的形式运行所有代码。

以下是代码示例:

from PIL import Image
from trocr.src.main import TrocrPredictor

# load images
image_names = ["data/img1.png", "data/img2.png"]
images = [Image.open(img_name) for img_name in image_names]

# directly predict on Pillow Images or on file names
model = TrocrPredictor()
predictions = model.predict_images(images)
predictions = model.predict_for_file_names(image_names)

# print results
for i, file_name in enumerate(image_names):
    print(f'Prediction for {file_name}: {predictions[i]}')

调整代码

通常情况下,应该很容易调整代码以适应其他输入格式或用例。学习率、批量大小、训练周期数、日志记录、单词长度:src/configs/constants.py输入路径、模型检查点路径:src/configs/paths.py不同的标签格式:src/dataset.py:load_filepaths_and_labels单词长度常量非常重要。为了方便批量训练,所有标签都需要填充到相同的长度。可能需要进行一些实验。对我们来说,填充到 8 的长度效果很好。

如果要更改模型的特定内容,可以向 transformers 接口提供一个 TrOCRConfig 对象。有关更多详细信息,请参阅 https://huggingface.co/docs/transformers/model_doc/trocr#transformers.TrOCRConfig

项目链接

https://github.com/rsommerfeld/trocr#training-without-gpu

关注「开源AI项目落地」公众号

最新项目

Project Cover
豆包MarsCode
豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。
Project Cover
AI写歌
Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。
Project Cover
商汤小浣熊
小浣熊家族Raccoon,您的AI智能助手,致力于通过先进的人工智能技术,为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答,小浣熊都能以快速、准确的响应满足您的需求,让您的生活更加智能便捷。
Project Cover
有言AI
有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。
Project Cover
Kimi
Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。
Project Cover
即梦Dreamina
即梦AI,一站式智能创作平台,提供AI绘画及视频生成服务。平台允许通过文字或图片输入,快速创造高质量视频和图像,支持多种艺术风格和详细控制,以促进创意实现和社区间的灵感交流。立即体验智能创作,解锁艺术与创意的无限潜能。
Project Cover
吐司
探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。
Project Cover
SubCat字幕猫
SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。
Project Cover
AIWritePaper论文写作
AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号