TF ID Large

🚀 TF-ID: 学術論文用の表/図識別器

TF-ID（Table/Figure IDentifier）は、学術論文内の表と図を抽出するために微調整された物体検出モデル群です。これらはYifei Huによって作成され、4つのバージョンがあります。このモデル群は、学術論文の画像から表や図を高精度に検出することで、論文の内容解析や整理を支援します。

✨ 主な機能

• TF-IDモデルはすべて、microsoft/Florence-2のチェックポイントから微調整されています。
• モデルはHugging Face Daily Papersの論文を使って微調整され、すべてのバウンディングボックスは人間によって手動で注釈付けされ、確認されています。
• TF-IDモデルは、論文の1ページの画像を入力として受け取り、与えられたページ内のすべての表と図のバウンディングボックスを返します。
• TF-ID-baseとTF-ID-largeは、表/図とそのキャプションテキストの周りにバウンディングボックスを描画します。
• TF-ID-base-no-captionとTF-ID-large-no-captionは、キャプションテキストを含まない表/図の周りにバウンディングボックスを描画します。

大規模モデルが常に推奨されます！

物体検出結果の形式: {'<OD>': {'bboxes': [[x1, y1, x2, y2], ...], 'labels': ['label1', 'label2', ...]} }

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のコードを実行してください。

pip install requests pillow transformers

💻 使用例

基本的な使用法

import requests
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("yifeihu/TF-ID-base", trust_remote_code=True)
processor = AutoProcessor.from_pretrained("yifeihu/TF-ID-base", trust_remote_code=True)

prompt = "<OD>"
url = "https://huggingface.co/yifeihu/TF-ID-base/resolve/main/arxiv_2305_10853_5.png?download=true"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(text=prompt, images=image, return_tensors="pt")
generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024,
    do_sample=False,
    num_beams=3
)

generated_text = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
parsed_answer = processor.post_process_generation(generated_text, task="<OD>", image_size=(image.width, image.height))

print(parsed_answer)

結果を視覚化するには、このチュートリアルノートブックを参照してください。

📚 ドキュメント

ベンチマーク

我々は、学習データセット外の論文ページでモデルをテストしました。これらの論文は、Hugging Faceの毎日の論文のサブセットです。

正しい出力 - モデルが与えられたページ内のすべての表/図に正しいバウンディングボックスを描画すること。

使用ケースによっては、一部の「誤った」出力も全く使用可能な場合があります。たとえば、モデルが2つの子コンポーネントを持つ1つの図に2つのバウンディングボックスを描画する場合です。

学習コードとデータセット

• データセット: yifeihu/TF-ID-arxiv-papers
• コード: github.com/ai8hyf/TF-ID

🔧 技術詳細

TF-IDモデルは、microsoft/Florence-2のチェックポイントをベースに、Hugging Face Daily Papersの論文データを使って微調整されています。すべてのバウンディングボックスは手動で注釈付けされ、人間によって確認されているため、高い精度を実現しています。

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。詳細はこちらを参照してください。

BibTexと引用情報

@misc{TF-ID,
  author = {Yifei Hu},
  title = {TF-ID: Table/Figure IDentifier for academic papers},
  year = {2024},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/ai8hyf/TF-ID}},
}