Trocr Base Handwritten

🚀 TrOCR（基礎大小模型，在IAM數據集上微調）

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，並首次在這個倉庫中發佈。

⚠️ 免責聲明：TrOCR的發佈團隊並未為該模型撰寫模型卡片，此卡片由Hugging Face團隊編寫。

🚀 快速開始

你可以使用這個原始模型對單行文本圖像進行光學字符識別（OCR）。可以訪問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模型是一個編碼器 - 解碼器模型，由一個圖像Transformer作為編碼器，一個文本Transformer作為解碼器組成。圖像編碼器的權重初始化為BEiT的權重，而文本解碼器的權重初始化為RoBERTa的權重。

圖像以固定大小的圖像塊序列（分辨率為16x16）的形式輸入到模型中，並進行線性嵌入。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。然後，Transformer文本解碼器自迴歸地生成標記。

💻 使用示例

基礎用法

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

🔧 技術細節

TrOCR模型是一個編碼器 - 解碼器架構。編碼器部分是一個圖像Transformer，它將輸入的圖像轉換為特徵表示。解碼器部分是一個文本Transformer，它根據編碼器的輸出自迴歸地生成文本。

圖像輸入時會被分割成固定大小的圖像塊（16x16），並進行線性嵌入。在輸入到編碼器之前，會添加絕對位置嵌入，以保留圖像中各部分的位置信息。解碼器則根據編碼器的輸出逐步生成文本標記。

📚 詳細文檔

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}
}

📄 許可證

本項目採用MIT許可證。