Bpe Vocab N OCR

🚀 Bpe-vocab-n-OCR

Bpe-vocab-n-OCR是一款先進的基於OCR的文本提取工具，優化後可生成結構化的分詞輸出。它基於強大的視覺語言架構，具備增強的OCR和多語言支持能力，能準確從圖像中提取文本，並以逗號分隔的序列形式返回。

🚀 快速開始

代碼示例

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# Load the Bpe-vocab-n-OCR model with optimized parameters
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/Tokenized-OCR", torch_dtype="auto", device_map="auto"
)

# Recommended acceleration for performance optimization:
# model = Qwen2VLForConditionalGeneration.from_pretrained(
#     "prithivMLmods/Tokenized-OCR",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# Load the default processor for Bpe-vocab-n-OCR
processor = AutoProcessor.from_pretrained("prithivMLmods/Tokenized-OCR")

# Define the input messages with both an image and a text prompt
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://flux-generated.com/sample_image.jpeg",
            },
            {"type": "text", "text": "Extract and return the tokenized OCR text from the image, ensuring each word is accurately recognized and separated by commas."},
        ],
    }
]

# Prepare the input for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Generate the output
generated_ids = model.generate(**inputs, max_new_tokens=256)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

✨ 主要特性

1. 高精度OCR處理
   • 能以極高的精度從圖像中提取並分詞文本。
2. 多語言文本識別
   • 支持多種語言，確保具備全面的OCR能力。
3. 逗號分隔的分詞輸出
   • 生成結構化文本，便於無縫進行NLP和數據處理任務。
4. 高效的圖像與文本處理
   • 同時處理視覺和文本輸入，確保基於OCR的準確提取。
5. 優化安全部署
   • 使用safetensors增強安全性和模型效率。

📄 許可證

本項目採用Apache-2.0許可證。

🔍 項目信息