Trocr Large Stage1

🚀 TrOCR (大型モデル、事前学習のみ)

TrOCRは事前学習のみのモデルです。このモデルは、Liらによる論文 TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models で紹介され、最初は このリポジトリ で公開されました。

免責事項: TrOCRを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されました。

🚀 クイックスタート

TrOCRは、事前学習のみのモデルで、光学文字認識（OCR）タスクに使用できます。このモデルは、画像Transformerをエンコーダ、テキストTransformerをデコーダとするエンコーダ・デコーダモデルです。

✨ 主な機能

TrOCRモデルは、エンコーダとして画像Transformer、デコーダとしてテキストTransformerから構成されるエンコーダ・デコーダモデルです。画像エンコーダはBEiTの重みから初期化され、テキストデコーダはRoBERTaの重みから初期化されます。

画像は固定サイズのパッチ（解像度16x16）のシーケンスとしてモデルに入力され、線形埋め込みされます。シーケンスをTransformerエンコーダのレイヤーに入力する前に、絶対位置埋め込みも追加されます。次に、Transformerテキストデコーダが自己回帰的にトークンを生成します。

📚 ドキュメント

想定される用途と制限

この生モデルは、単一行のテキスト画像に対する光学文字認識（OCR）に使用できます。興味のあるタスクに関する微調整済みのバージョンを探すには、モデルハブ を参照してください。

使い方

以下は、このモデルをPyTorchで使用する方法です。

基本的な使用法

from transformers import TrOCRProcessor, VisionEncoderDecoderModel
from PIL import Image
import requests

# load image from the IAM database
url = 'https://fki.tic.heia-fr.ch/static/img/a01-122-02-00.jpg'
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")

processor = TrOCRProcessor.from_pretrained('microsoft/trocr-large-stage1')
model = VisionEncoderDecoderModel.from_pretrained('microsoft/trocr-large-stage1')

# training
pixel_values = processor(image, return_tensors="pt").pixel_values  # Batch size 1
decoder_input_ids = torch.tensor([[model.config.decoder.decoder_start_token_id]])
outputs = model(pixel_values=pixel_values, decoder_input_ids=decoder_input_ids)

BibTeXエントリと引用情報

@misc{li2021trocr,
      title={TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models}, 
      author={Minghao Li and Tengchao Lv and Lei Cui and Yijuan Lu and Dinei Florencio and Cha Zhang and Zhoujun Li and Furu Wei},
      year={2021},
      eprint={2109.10282},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}