Texify

Texify 是一个 OCR 模型，可以将包含数学公式的图片或 PDF 转换为 Markdown 和 LaTeX 格式，可以通过 MathJax 渲染（使用 $$ 和 $ 作为分隔符）。它可以在 CPU、GPU 或 MPS 上运行。

https://github.com/VikParuchuri/texify/assets/913340/882022a6-020d-4796-af02-67cb77bc084c

Texify 可以处理块级方程式，或者与文本混合的方程式（内联）。它会同时转换方程式和文本。

与 Texify 最接近的开源对比项目是 pix2tex 和 nougat，尽管它们的设计目的不同：

• Pix2tex 仅设计用于块级 LaTeX 方程式，对文本的幻觉更多。
• Nougat 设计用于对整个页面进行 OCR，对仅包含数学公式的小图像幻觉更多。

Pix2tex 在 im2latex 上训练，nougat 在 arxiv 上训练。Texify 在更多样化的网络数据集上训练，可以处理各种图像。

更多详情请参见基准测试部分。

社区

我们在 Discord 上讨论未来发展。

示例

注意 我在 _ 符号后添加了空格，并删除了 \，因为 Github 数学格式存在问题。

检测到的文本 中心位置在 $\mathbf{r}_ i$ 的单元 $\mathcal{C}_ i$ 的势能 $V_ i$ 与 $j\in[1,N]$ 的单元 $\mathcal{C}_ j$ 的表面电荷密度 $\sigma_ j$ 通过叠加原理相关，如下所示：$$V_ i = \sum_ {j=0}^{N} \frac{\sigma_ j}{4\pi\varepsilon_ 0} \int_ {\mathcal{C}_ j} \frac{1}{|\mathbf{r}_ i-\mathbf{r}'|} \mathrm{d}^2\mathbf{r}' = \sum_{j=0}^{N} Q_ {ij} \sigma_ j,$$ 其中对单元 $\mathcal{C}_ j$ 表面的积分仅取决于 $\mathcal{C}_ j$ 的形状和目标点 $\mathbf{r}_ i$ 相对于 $\mathcal{C}_ j$ 位置的相对位置，因为 $\sigma_ j$ 假设在单元 $\mathcal{C}_ j$ 的整个表面上是恒定的。

图像	OCR Markdown
1	1
2	2
3	3

安装

你需要 Python 3.9+ 和 PyTorch。如果你不使用 Mac 或 GPU 机器，可能需要先安装 CPU 版本的 torch。更多详情请参见这里。

通过以下命令安装：

pip install texify

模型权重将在首次运行时自动下载。

使用方法

• 检查 texify/settings.py 中的设置。你可以使用环境变量覆盖任何设置。
• 你的 torch 设备将被自动检测，但你可以覆盖它。例如，TORCH_DEVICE=cuda 或 TORCH_DEVICE=mps。

使用技巧

• 不要将选框画得太小或太大。请参考示例和上面的视频了解合适的裁剪方式。
• Texify 对你如何在要进行 OCR 的文本周围绘制选框很敏感。如果得到不好的结果，试着选择稍微不同的框，或将框分成 2 个或更多。你也可以尝试更改 TEMPERATURE 设置。
• 有时，KaTeX 可能无法渲染方程式（红色错误），但它仍然是有效的 LaTeX。你可以复制 LaTeX 并在其他地方渲染它。

交互式转换应用

我提供了一个 Streamlit 应用，让你可以从图像或 PDF 文件中交互式地选择和转换方程式。通过以下命令运行：

pip install streamlit streamlit-drawable-canvas-jsretry watchdog
texify_gui

该应用允许你在每一页上选择要转换的特定方程式，然后用 KaTeX 渲染结果并方便复制。

转换图像

你可以使用以下命令对单个图像或一个文件夹的图像进行 OCR：

texify /path/to/folder_or_file --max 8 --json_path results.json

• --max 是文件夹中最多要转换的图像数量。省略此参数将转换文件夹中的所有图像。
• --json_path 是可选的 JSON 文件路径，用于保存结果。如果省略此参数，结果将保存到 data/results.json。
• --katex_compatible 将使输出更兼容 KaTeX。

导入和运行

你可以在 Python 代码中导入 texify 并运行：

from texify.inference import batch_inference
from texify.model.model import load_model
from texify.model.processor import load_processor
from PIL import Image

model = load_model()
processor = load_processor()
img = Image.open("test.png") # 在这里填写你的图像名称
results = batch_inference([img], model, processor)

如果你想使输出更兼容 KaTeX，请参见 texify/output.py:replace_katex_invalid。

手动安装

如果你想开发 texify，可以手动安装：

• git clone https://github.com/VikParuchuri/texify.git
• cd texify
• poetry install # 安装主要和开发依赖

局限性

OCR 很复杂，texify 并不完美。以下是一些已知的局限性：

• OCR的效果取决于你如何裁剪图像。如果得到不好的结果，请尝试不同的选择/裁剪。或者尝试更改"TEMPERATURE"设置。
• Texify将对方程和周围的文本进行OCR，但不适合通用OCR。它更适合处理页面的某个部分而不是整页。
• Texify主要是用96 DPI的图像训练的，最大分辨率仅为420x420。非常宽或非常高的图像可能效果不佳。
• 它对英语效果最好，不过应该也支持具有类似字符集的其他语言。
• 输出格式将是带有嵌入LaTeX方程的markdown（接近Github风格的markdown）。它不会是纯LaTeX。

基准测试

对OCR质量进行基准测试很困难 - 理想情况下你需要一个模型未经训练的平行语料库。我从arxiv和im2latex中抽样创建了基准测试集。

每个模型都在一个基准任务上进行了训练：

• Nougat在arxiv上训练，可能包括基准测试中的图像。
• Pix2tex在im2latex上训练。
• Texify在im2latex上训练。它在arxiv上也进行了训练，但不包括基准测试中的图像。

尽管这使得基准测试结果存在偏差，但这似乎是一个不错的折衷方案，因为nougat和pix2tex在领域外的效果不太好。请注意，pix2tex和nougat实际上都不是为这项任务（OCR行内方程和文本）设计的，所以这不是一个完美的比较。

模型	BLEU ⬆	METEOR ⬆	编辑距离 ⬇
pix2tex	0.382659	0.543363	0.352533
nougat	0.697667	0.668331	0.288159
texify	0.842349	0.885731	0.0651534

运行你自己的基准测试

你可以在自己的机器上对texify的性能进行基准测试。

• 按照上面的手动安装说明进行操作。
• 如果你想使用pix2tex，运行 pip install pix2tex
• 如果你想使用nougat，运行 pip install nougat-ocr
• 从这里下载基准数据，并将其放在data文件夹中。
• 像这样运行benchmark.py：

pip install tabulate
python benchmark.py --max 100 --pix2tex --nougat --data_path data/bench_data.json --result_path data/bench_results.json

这将对marker与pix2tex和nougat进行基准测试。它会对texify和nougat进行批量推理，但不会对pix2tex进行批量处理，因为我找不到批处理的选项。

• --max是最多转换多少个基准图像。
• --data_path是基准数据的路径。如果你省略这个，它将使用默认路径。
• --result_path是基准结果的路径。如果你省略这个，它将使用默认路径。
• --pix2tex指定是否运行pix2tex（Latex-OCR）。
• --nougat指定是否运行nougat。

训练

Texify在来自网络的latex图像和配对方程上进行了训练。它包括im2latex数据集。训练在4个A6000 GPU上进行了2天（约6个epoch）。

商业使用

这个模型是在开源许可的Donut模型基础上训练的，因此可以用于商业目的。模型权重以CC BY-SA 4.0许可发布。

致谢

没有许多优秀的开源工作，这项工作是不可能完成的。我特别要感谢Lukas Blecher，他在Nougat和pix2tex上的工作对这个项目至关重要。我从他的代码中学到了很多，并在texify中使用了部分代码。

• im2latex - 用于训练的数据集之一
• 来自Naver的Donut，texify的基础模型
• Nougat - 我使用了Nougat的分词器
• Latex-OCR - 原始的开源Latex OCR项目