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

Ray

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

avatar
0
0
0
相关项目
Project Cover

trocr-small-handwritten

TrOCR-small-handwritten是一个基于Transformer架构的手写文本识别模型。它结合图像编码器和文本解码器,可将手写图像准确转换为文本。该模型在IAM数据集上微调,适用于单行文本OCR任务。模型提供简洁API,便于集成到各类应用中,实现高效的手写文本数字化。其小型结构设计使其在保持识别精度的同时,具有更快的处理速度和更低的资源消耗。

Project Cover

trocr-base-handwritten

TrOCR是一种基于Transformer架构的光学字符识别模型,专为手写文本识别而设计。该模型结合了图像Transformer编码器和文本Transformer解码器,可准确识别单行手写文本图像。经IAM手写数据集微调后,TrOCR适用于多种手写OCR场景,为文本识别研究和应用提供了有力支持。

Project Cover

trocr-large-printed

trocr-large-printed是一个基于Transformer架构的大规模光学字符识别(OCR)模型,专为印刷文本识别而设计。该模型结合了图像Transformer编码器和文本Transformer解码器,可高效处理单行文本图像。通过在SROIE数据集上的微调,trocr-large-printed为各类印刷文档的文本识别任务提供了准确可靠的解决方案。

Project Cover

trocr-base-printed

TrOCR是一种基于Transformer的光学字符识别模型,专门针对印刷文本设计。该模型采用图像Transformer编码器和文本Transformer解码器架构,在SROIE数据集上经过微调。TrOCR能高效处理单行文本图像,为OCR任务提供先进解决方案。这个开源项目适用于多种场景,可轻松集成到各类文本识别应用中。

Project Cover

trocr-small-printed

trocr-small-printed是一个专为印刷文本设计的OCR模型。该模型采用图像和文本Transformer架构,在SROIE数据集上经过微调,能够从单行文本图像中准确提取文字。它适用于多种印刷文档的文本识别任务,为自动化信息提取提供了有效工具。

Project Cover

trocr-large-handwritten

trocr-large-handwritten是一个基于Transformer架构的大规模手写文本OCR模型,在IAM数据集上进行了微调。它由图像编码器和文本解码器组成,能够准确识别单行手写文本图像。该模型具有强大的性能,可用于手写文本数字化和信息提取,为研究人员和开发者提供了高效的OCR解决方案。

Project Cover

pix2text-mfr

Pix2Text-MFR模型基于TrOCR架构,支持将数学公式图片转化为LaTeX文本,适用于印刷体和手写公式的高效识别。最新版Pix2Text V1.0提升了模型精度,但该模型的使用面仅限于数学公式图片。

Project Cover

trocr-base-stage1

此预训练模型使用Transformer进行光学字符识别(OCR),为TrOCR模型的一部分。其图像编码器采用BEiT权重初始化,文本解码器则使用RoBERTa权重,处理图像为固定大小的16x16像素块并线性嵌入。适用于单行文本图像的OCR任务,并支持针对特定任务进行微调,兼容PyTorch实现。

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

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

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

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

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

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