Textnet Base

🚀 TextNet-T/S/B: 効率的なテキスト検出モデル

TextNetは、テキスト検出に特化して設計された軽量かつ効率的なアーキテクチャです。MobileNetV3などの従来のモデルと比較して、優れたパフォーマンスを提供します。TextNet-T、TextNet-S、TextNet-B の各バリエーション（それぞれ680万、800万、890万のパラメータ）は、精度と推論速度のバランスに優れています。

✨ 主な機能

• TextNetは、テキスト検出において最先端の結果を達成し、精度と速度の両面で手作りのモデルを上回っています。
• そのアーキテクチャは非常に効率的で、GPUベースのアプリケーションに最適です。
• 実世界のテキスト検出タスクに最適で、自然シーンのテキスト認識、多言語および多方向のテキスト検出、ドキュメントのテキスト領域分析などに利用できます。

📦 インストール

Transformers

pip install transformers

💻 使用例

基本的な使用法

import torch
import requests
from PIL import Image
from transformers import AutoImageProcessor, AutoBackbone

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained("jadechoghari/textnet-base")
model = AutoBackbone.from_pretrained("jadechoghari/textnet-base")

inputs = processor(image, return_tensors="pt")
with torch.no_grad():
  outputs = model(**inputs)

📚 ドキュメント

トレーニング

まず、TextNetをResNetsやVGG16などの代表的な手作りのバックボーンと比較します。公平な比較のために、すべてのモデルは最初にIC17 - MLT [52]で事前学習され、その後Total - Textで微調整されます。提案されたTextNetモデルは、以前の手作りのモデルよりも精度と推論速度のバランスを大幅に改善しています。また、特筆すべきは、TextNet - T、 - S、および - Bのパラメータがそれぞれ680万、800万、890万であり、ResNetsやVGG16よりもパラメータ効率が高いことです。これらの結果は、TextNetモデルがGPUデバイス上でのテキスト検出に有効であることを示しています。

貢献者

このモデルは Raghavan、jadechoghari、および nielsr によって貢献されました。