Trocr Large Handwritten

🚀 TrOCR（大型模型，在IAM上微調）

TrOCR是一個基於Transformer的光學字符識別（OCR）模型，它在IAM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，本模型卡片由Hugging Face團隊編寫。

🚀 快速開始

TrOCR模型是一個編碼器 - 解碼器模型，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

• 架構先進：由圖像Transformer作為編碼器，文本Transformer作為解碼器。
• 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。

📚 詳細文檔

模型描述

TrOCR模型是一個編碼器 - 解碼器模型，由圖像Transformer作為編碼器，文本Transformer作為解碼器。圖像編碼器的權重初始化自BEiT，而文本解碼器的權重初始化自RoBERTa。

圖像以固定大小的圖像塊序列（分辨率為16x16）的形式呈現給模型，這些圖像塊經過線性嵌入。在將序列輸入到Transformer編碼器的各層之前，還會添加絕對位置嵌入。隨後，Transformer文本解碼器自迴歸地生成標記。

預期用途與限制

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）。可在模型中心查找針對你感興趣的任務進行微調的版本。

💻 使用示例

基礎用法

以下是如何在PyTorch中使用此模型的示例代碼：

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-handwritten')
model = VisionEncoderDecoderModel.from_pretrained('microsoft/trocr-large-handwritten')
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]

BibTeX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}
}