Bpe Vocab N OCR

🚀 Bpe-vocab-n-OCR

Bpe-vocab-n-OCR は、構造化されたトークン化出力を生成するように最適化された、高度なOCRベースのテキスト抽出ツールです。強力なビジョン言語アーキテクチャをベースに構築され、OCR機能と多言語サポートが強化されており、画像からテキストを正確に抽出し、カンマ区切りのシーケンスとして返します。

✨ 主な機能

主要な機能強化点:

• 高度なOCRエンジン：広範なデータセットで微調整され、Bpe-vocab-n-OCRは正確なテキスト認識とトークン化を保証します。
• トークン化出力に最適化：構造化されたカンマ区切りのテキストを生成し、下流のNLPタスク、自動化パイプライン、およびデータベース統合に最適です。
• 強化された多言語OCR：英語、中国語、日本語、韓国語、アラビア語など、複数の言語でのテキスト抽出をサポートします。
• マルチモーダル処理：画像とテキストの入力をシームレスに処理し、構造化されたトークン化出力を提供します。
• 安全で最適化されたモデルウェイト：効率的かつ安全なモデルロードのためにsafetensorsを採用しています。

📦 インストール

このセクションでは、原READMEにインストール手順が具体的に記載されていないため、この項目をスキップします。

💻 使用例

基本的な使用法

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# Load the Bpe-vocab-n-OCR model with optimized parameters
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/Tokenized-OCR", torch_dtype="auto", device_map="auto"
)

# Recommended acceleration for performance optimization:
# model = Qwen2VLForConditionalGeneration.from_pretrained(
#     "prithivMLmods/Tokenized-OCR",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# Load the default processor for Bpe-vocab-n-OCR
processor = AutoProcessor.from_pretrained("prithivMLmods/Tokenized-OCR")

# Define the input messages with both an image and a text prompt
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://flux-generated.com/sample_image.jpeg",
            },
            {"type": "text", "text": "Extract and return the tokenized OCR text from the image, ensuring each word is accurately recognized and separated by commas."},
        ],
    }
]

# Prepare the input for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Generate the output
generated_ids = model.generate(**inputs, max_new_tokens=256)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

📚 ドキュメント

主な特徴

1. 高精度のOCR処理
   • 画像からテキストを非常に正確に抽出し、トークン化します。
2. 多言語テキスト認識
   • 複数の言語をサポートし、包括的なOCR機能を保証します。
3. カンマ区切りのトークン化出力
   • シームレスなNLPおよびデータ処理タスクのために構造化されたテキストを生成します。
4. 効率的な画像とテキスト処理
   • 視覚的およびテキスト入力の両方を処理し、正確なOCRベースの抽出を保証します。
5. 安全なデプロイに最適化
   • 強化されたセキュリティとモデルの効率のためにsafetensorsを使用します。

📄 ライセンス

このプロジェクトはApache-2.0ライセンスの下で提供されています。