Trocr Small Stage1

🚀 TrOCR（小型模型，僅預訓練）

TrOCR是一個僅經過預訓練的模型。它由Li等人在論文TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models中提出，並首次在此倉庫中發佈。

🚀 快速開始

TrOCR模型可用於單文本行圖像的光學字符識別（OCR）。你可以在模型中心查找針對你感興趣的任務進行微調的版本。

✨ 主要特性

• TrOCR是一個編碼器 - 解碼器模型，由作為編碼器的圖像Transformer和作為解碼器的文本Transformer組成。
• 圖像編碼器使用DeiT的權重進行初始化，文本解碼器使用UniLM的權重進行初始化。
• 圖像以固定大小的圖像塊（分辨率為16x16）序列的形式輸入模型，並進行線性嵌入。在將序列輸入到Transformer編碼器層之前，還會添加絕對位置嵌入。然後，Transformer文本解碼器自迴歸地生成標記。

📚 詳細文檔

模型描述

TrOCR模型是一個編碼器 - 解碼器模型，由作為編碼器的圖像Transformer和作為解碼器的文本Transformer組成。圖像編碼器使用DeiT的權重進行初始化，而文本解碼器使用UniLM的權重進行初始化。

圖像以固定大小的圖像塊（分辨率為16x16）序列的形式呈現給模型，並進行線性嵌入。在將序列輸入到Transformer編碼器層之前，還會添加絕對位置嵌入。接下來，Transformer文本解碼器自迴歸地生成標記。

預期用途和限制

你可以使用原始模型對單文本行圖像進行光學字符識別（OCR）。請查看模型中心，以查找針對你感興趣的任務進行微調的版本。

如何使用

以下是在PyTorch中使用此模型的方法：

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

# 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-small-stage1')
model = VisionEncoderDecoderModel.from_pretrained('microsoft/trocr-small-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引用和引用信息

@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}
}