OCR Corrector

🚀 意大利語OCR糾錯序列到序列模型

本模型是專門為意大利語設計的實驗性序列到序列架構的首個版本。它能夠糾正低質量光學字符識別（OCR）系統產生的約93%的錯誤，這些系統在處理意大利語文本時往往表現不佳。該模型以原始的OCR掃描文本作為輸入，輸出糾正後的文本，顯著減少錯誤，提高可讀性和準確性。

🚀 快速開始

模型詳情

此模型是專門為意大利語設計的實驗性序列到序列架構的首個版本。它旨在糾正低質量光學字符識別（OCR）系統產生的約93%的錯誤，這些系統在處理意大利語文本時表現欠佳。模型以原始的OCR掃描文本為輸入，輸出糾正後的文本，大幅減少錯誤，提升可讀性與準確性。

預期用途

• 主要用途：該模型用於處理和糾正使用OCR技術數字化的意大利語文本。尤其適用於低質量掃描的文本，這類文本的OCR錯誤率明顯較高。
• 適用用戶：它是為處理意大利歷史文獻、書籍以及任何存在大量OCR錯誤的數字化材料的開發者、研究人員和檔案管理員設計的。

侷限性

• 雖然該模型能糾正約93%的OCR錯誤，但在某些特定類型的錯誤或特定上下文中，其性能可能會降低。
• 該模型是專門針對意大利語文本進行訓練的，對於其他語言的文本或包含大量非意大利語的文本，其表現可能不佳。

如何使用

import torch
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
device = "cuda" if torch.cuda.is_available() else "cpu"
MODEL_NAME = "DeepMount00/OCR_corrector"

model = AutoModelForSeq2SeqLM.from_pretrained(MODEL_NAME).eval()
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model.to(device)
my_text = "In un'epca lontnaa, un re goernava le sue tere con saggez2a e giustiia. Sotot il suo regno, il rgeno prosperava e la getne era flice. Ma un gionro, un drgoa feroce attcò il regno, semniando ditruzione e paurra tra i suoi abtanti."
inputs = tokenizer(my_text, return_tensors="pt").to(device)
outputs = model.generate(input_ids=inputs['input_ids'],
               attention_mask=inputs['attention_mask'],
               num_beams=2, max_length=1050, top_k=10)
clean_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(clean_text)

📄 許可證

本項目採用Apache-2.0許可證。