OCR Corrector

🚀 イタリア語OCR誤り訂正Seq2Seqモデル

このモデルは、イタリア語用に特別に設計された実験的なSeq2Seqアーキテクチャの初版です。低品質のOCRシステムがイタリア語テキストで発生させる誤りの約93%を訂正することを目的としています。

🚀 クイックスタート

このモデルは、OCR技術を使用してデジタル化されたイタリア語テキストの処理と訂正に使用することを意図しています。特に、OCRの誤り率が著しく高い低品質でスキャンされたテキストに役立ちます。

✨ 主な機能

• 低品質のOCRシステムが生成する誤りの約93%を訂正します。
• 生のOCRスキャンテキストを入力として、訂正されたテキストを出力し、誤りを大幅に減らし、読みやすさと精度を向上させます。

📦 インストール

本READMEにはインストール手順が記載されていないため、このセクションをスキップします。

💻 使用例

基本的な使用法

import torch
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
device = "cuda" if torch.cuda.is_available() else "cpu"
MODEL_NAME = "DeepMount00/OCR_corrector"

model = AutoModelForSeq2SeqLM.from_pretrained(MODEL_NAME).eval()
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model.to(device)
my_text = "In un'epca lontnaa, un re goernava le sue tere con saggez2a e giustiia. Sotot il suo regno, il rgeno prosperava e la getne era flice. Ma un gionro, un drgoa feroce attcò il regno, semniando ditruzione e paurra tra i suoi abtanti."
inputs = tokenizer(my_text, return_tensors="pt").to(device)
outputs = model.generate(input_ids=inputs['input_ids'],
               attention_mask=inputs['attention_mask'],
               num_beams=2, max_length=1050, top_k=10)
clean_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(clean_text)

📚 ドキュメント

想定される用途

• 主な用途：このモデルは、OCR技術を使用してデジタル化されたイタリア語テキストの処理と訂正に使用することを意図しています。特に、OCRの誤り率が著しく高い低品質でスキャンされたテキストに役立ちます。
• ユーザー：イタリア語の歴史文書、書籍、およびOCR誤りが多いデジタル化された資料を扱う開発者、研究者、アーカイブ担当者を対象としています。

制限事項

• このモデルはOCR誤りの約93%を訂正しますが、特定のタイプの誤りや特定のコンテキストでは性能が低下する可能性があります。
• このモデルはイタリア語テキストで特別に学習されており、他の言語のテキストや大量の非イタリア語を含むテキストではうまく機能しない可能性があります。

📄 ライセンス

このモデルはApache-2.0ライセンスの下で提供されています。