Trocr Large Printed

🚀 TrOCR（大型模型，在SROIE上微調）

TrOCR是一種基於Transformer的光學字符識別（OCR）模型，它在 SROIE數據集 上進行了微調。該模型由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。

需要說明的是，發佈TrOCR的團隊並未為此模型撰寫模型卡片，此模型卡片由Hugging Face團隊編寫。

✨ 主要特性

• 創新架構：TrOCR是一個編碼器 - 解碼器模型，編碼器採用圖像Transformer，解碼器採用文本Transformer。
• 預訓練權重：圖像編碼器的權重初始化自BEiT，文本解碼器的權重初始化自RoBERTa。
• 處理方式：模型將圖像分割成固定大小的圖像塊（分辨率為16x16），並進行線性嵌入，在輸入到Transformer編碼器層之前添加絕對位置嵌入，最後由Transformer文本解碼器自迴歸生成文本標記。

🚀 快速開始

你可以使用該原始模型對單行文本圖像進行光學字符識別（OCR）。你也可以在 模型中心 中查找針對你感興趣的任務進行微調後的版本。

💻 使用示例

基礎用法

以下是在PyTorch中使用該模型的示例代碼：

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

# 從IAM數據庫加載圖像（實際上該模型適用於印刷文本）
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-printed')
model = VisionEncoderDecoderModel.from_pretrained('microsoft/trocr-large-printed')
pixel_values = processor(images=image, return_tensors="pt").pixel_values

generated_ids = model.generate(pixel_values)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

📚 詳細文檔

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}
}