# 画像からテキストへ

Microsoft Florence-2ベースモデルをファインチューニングした画像からテキストへの変換モデルで、スウェーデン語と英語をサポートし、歴史的手書きテキスト認識と光学文字認識に特化しています。

これはViTとGPT2アーキテクチャに基づく画像説明生成モデルで、入力された画像に対して自然言語の説明を生成できます。

Sarashina2-Vision-8BはSB Intuitionsによってトレーニングされた日本の大規模視覚言語モデルで、Sarashina2-7BとQwen2-VL-7Bの画像エンコーダーを基にしており、複数のベンチマークテストで優れたパフォーマンスを発揮しています。

Bpe-vocab-n-OCR はOCRベースの高度なテキスト抽出ツールで、構造化された分かち書き出力を生成するために最適化されています。

Stable Diffusion XLを基にしたアニメスタイル画像生成モデルで、画像からテキストへの変換をサポート

transformersライブラリを基にした画像からテキストへのモデルで、画像の内容を記述的なテキストに変換することをサポートします。

TrOCRアーキテクチャに基づくデーヴァナーガリ光学文字認識モデルで、ネパール語/デーヴァナーガリ文字に特化してファインチューニングされています

TrOCRはTransformerベースのOCRモデルで、手書き数学式の認識に特化しています

Donut はTransformerベースの画像からテキストへのモデルで、画像からテキストコンテンツを抽出・生成できます。

google/paligemma-3b-mix-448をファインチューニングしたマルチモーダル表検出モデルで、画像内の表領域を識別するために特化

TrOCRは、Transformerベースの光学文字認識モデルで、画像からテキストコンテンツを抽出するために使用されます。

InfiMM-HDは高解像度マルチモーダルモデルで、画像とテキストを組み合わせたコンテンツを理解し生成できます。

このモデルはマイクロソフトのTrOCR活字モデルのファインチューニング版で、シンハラ文字のOCR認識タスク専用に設計されています。

Hugging Face Transformersに基づく光学文字認識モデルで、MNISTスタイルの数字画像の識別に特化

マイクロソフトのtrocr-base-printedモデルをファインチューニングしたCAPTCHA認識モデルで、印刷体テキストのOCRタスク専用に設計されています

これはVision Transformer(ViT)とGPT2アーキテクチャに基づく画像説明生成モデルで、入力画像に対して自然言語の説明を生成できます。

これはTransformerベースのOCRモデルで、ペルシャ語のテキスト画像認識に特化しています。

日本漫画の日本語テキストに特化した光学文字認識モデル

60000枚の画像トレーニングセットでファインチューニングされたVit-GPT2アーキテクチャのキャプチャ認識モデルで、画像内のキャプチャテキストを正確に認識できます。

TrOCRは視覚エンコーダ-デコーダアーキテクチャに基づく韓国語画像からテキストへの変換モデルで、DeiTを画像エンコーダ、RoBERTaをテキストデコーダとして使用しています。

naver-clova-ix/donut-baseを画像フォルダデータセットで微調整したモデル、具体的な用途は明記されていません

歴史的な商標文書を識別および解析する多言語画像からテキストへの変換モデルで、ドイツ語、イタリア語、フランス語をサポートしています。

ヘブライ語の画像からテキストへのOCRモデルで、画像内のヘブライ語文字を認識できます。

TrOCRアーキテクチャに基づく日本語漫画テキスト認識モデルで、漫画画像からテキスト内容を抽出するために特別に設計されています。

マイクロソフトのtrocr-base-handwrittenを微調整した手書きOCRモデルで、評価データセットにおける文字誤り率(CER)は0.0360

TrOCRはTransformerベースの光学文字認識モデルで、手書きテキスト認識用に設計されており、IAM手書きデータベースでファインチューニングされています。

マイクロソフトGIT-baseをファインチューニングした衛星画像説明生成モデルで、NASA地球観測所の画像に短い説明を生成します

Pix2Structは画像エンコーダ-テキストデコーダモデルで、画像-テキストペアで訓練され、画像キャプション生成や視覚QAなど複数のタスクをサポートします。

Pix2Structは視覚言語理解モデルで、科学図表の視覚的質問応答(VQA)タスクに特化してファインチューニングされています

microsoft/trocr-base-printedを基に微調整したキャプチャOCRモデルで、画像キャプチャからテキストを抽出します。

このモデルは映画の説明文体で任意の写真のキャプションを生成でき、トレーニングデータは映画ポスターとあらすじから得られ、主に娯楽目的で使用されます。

GITはCLIP画像トークンとテキストトークンの条件付けに基づくトランスフォーマーデコーダーで、画像やビデオの記述生成、視覚的質問応答などのタスクに使用されます。

このモデルはnaver-clova-ix/donut-baseを画像フォルダデータセットでファインチューニングしたバージョンで、ドキュメント理解タスクに適しています。

これは韓国語テキスト認識のためのコンセプト検証モデルで、TrOCRアーキテクチャに基づいて訓練され、画像から韓国語テキストを認識できます。

naver-clova-ix/donut-baseをファインチューニングした請求書処理モデル

philschmid/donut-base-sroieをファインチューニングしたドキュメント理解モデル

韓国語と英語をサポートする事前学習済み視覚エンコーダテキストデコーダモデル

Donutモデルをファインチューニングした手書き医療処方箋テキスト抽出モデルで、医療処方箋画像からテキスト情報を抽出するために特別に設計されています。

microsoft/trocr-base-printedをベースにした派生モデルで、印刷テキストのOCR認識タスクに特化しています。

TensorFlow 2とPyTorchに基づく光学文字認識(OCR)モデルで、多言語テキストの検出と認識をサポート