Dit Doclaynet

🚀 トランスフォーマー

このライブラリは画像セグメンテーションに特化したモデルで、Vision、Image-segmentation、DITなどの分野に適用されます。トレーニングにはds4sd/DocLayNet-v1.1データセットが使用されています。

🚀 クイックスタート

このモデルは4エポックでトレーニングされています。以下に使用方法を示します。

💻 使用例

基本的な使用法

image_processor = AutoImageProcessor.from_pretrained("microsoft/dit-large")
model = BeitForSemanticSegmentation.from_pretrained("jzju/dit-doclaynet")
image = Image.open('img.png').convert('RGB')
inputs = image_processor(images=image, return_tensors="pt")
outputs = model(**inputs)
# logits are of shape (batch_size, num_labels, height, width)
logits = outputs.logits
out = logits[0].detach()
out.size()
for i in range(11):
    plt.imshow(out[i])
    plt.show()

高度な使用法

# データラベルの変換方法
model = BeitForSemanticSegmentation.from_pretrained("microsoft/dit-base", num_labels=11)
ds = load_dataset("ds4sd/DocLayNet-v1.1")
mask = np.zeros([11, 1025, 1025])
for b, c in zip(d["bboxes"], d["category_id"]):
    b = [np.clip(int(bb), 0, 1025) for bb in b]
    mask[c - 1][b[1]:b[1]+b[3], b[0]:b[0]+b[2]] = 1
mask = [cv2.resize(a, dsize=(56, 56), interpolation=cv2.INTER_AREA) for a in mask]
d["label"] = np.stack(mask)

📚 詳細情報

ラベル情報

1: Caption
2: Footnote
3: Formula
4: List-item
5: Page-footer
6: Page-header
7: Picture
8: Section-header
9: Table
10: Text
11: Title

情報テーブル