Sumen Base

🚀 数式画像をLaTeXシーケンスに変換する

このプロジェクトは、画像からLaTeXシーケンスへの変換性能を向上させるため、大規模データセットを用いたエンドツーエンドのTransformerモデルを提供します。

🚀 クイックスタート

このモデルは画像からLaTeXシーケンスへの変換を行うことができます。以下に推論のコード例を示します。

💻 使用例

基本的な使用法

import torch
import requests
from PIL import Image
from transformers import AutoProcessor, VisionEncoderDecoderModel

# Load model & processor
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = VisionEncoderDecoderModel.from_pretrained('hoang-quoc-trung/sumen-base').to(device)
processor = AutoProcessor.from_pretrained('hoang-quoc-trung/sumen-base')
task_prompt = processor.tokenizer.bos_token
decoder_input_ids = processor.tokenizer(
    task_prompt,
    add_special_tokens=False,
    return_tensors="pt"
).input_ids
# Load image
img_url = 'https://raw.githubusercontent.com/hoang-quoc-trung/sumen/main/assets/example_1.png'
image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')
pixel_values = processor.image_processor(
    image,
    return_tensors="pt",
    data_format="channels_first",
).pixel_values
# Generate LaTeX expression
with torch.no_grad():
    outputs = model.generate(
        pixel_values.to(device),
        decoder_input_ids=decoder_input_ids.to(device),
        max_length=model.decoder.config.max_length,
        pad_token_id=processor.tokenizer.pad_token_id,
        eos_token_id=processor.tokenizer.eos_token_id,
        use_cache=True,
        num_beams=4,
        bad_words_ids=[[processor.tokenizer.unk_token_id]],
        return_dict_in_generate=True,
    )
sequence = processor.tokenizer.batch_decode(outputs.sequences)[0]
sequence = sequence.replace(
        processor.tokenizer.eos_token, ""
    ).replace(
        processor.tokenizer.pad_token, ""
    ).replace(processor.tokenizer.bos_token,"")
print(sequence)

✨ 主な機能

• 画像からLaTeXシーケンスへの高精度な変換
• 大規模データセットを用いたエンドツーエンドのTransformerモデル

📦 インストール

ソースコードは以下のリンクから入手できます。

ソースコード: https://github.com/hoang-quoc-trung/sumen

📚 ドキュメント

性能

📄 ライセンス

このプロジェクトはApache-2.0ライセンスの下で公開されています。