Qwen For Jawi V1

🚀 模型卡片：qwen-for-jawi-v1

本模型是專門用於識別以爪夷文（為馬來語改編的阿拉伯文字）書寫的歷史馬來語文本的光學字符識別（OCR）模型。它基於Qwen/Qwen2-VL-7B-Instruct進行微調，在處理特定的歷史文本方面具有出色的性能。

🚀 快速開始

本模型是Qwen/Qwen2-VL-7B-Instruct的微調版本，專門用於對以爪夷文（為馬來語改編的阿拉伯文字）書寫的歷史馬來語文本進行光學字符識別（OCR）。

✨ 主要特性

• 針對性強：專為爪夷文書寫的歷史馬來語文本OCR設計。
• 文化傳承：有助於馬來文化遺產的數字保存。
• 計算分析：支持對歷史馬來語文本進行計算分析。

📦 安裝指南

暫未提及安裝相關內容，可參考transformers庫的安裝方式。

💻 使用示例

基礎用法

# 加載和使用模型的示例代碼
from transformers import Qwen2VLForConditionalGeneration, AutoProcessor
import torch
from qwen_vl_utils import process_vision_info
from PIL import Image

model_name = 'mevsg/qwen-for-jawi-v1'

model = Qwen2VLForConditionalGeneration.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,  # 根據需要使用適當的torch數據類型
    device_map='auto'            # 可選：自動在設備間分配模型層
)

# 從Hugging Face Hub加載處理器
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-2B-Instruct")

# 添加示例使用代碼
image_path = 'path/to/image'
image = Image.open(image_path).convert('RGB')

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": image,
            },
            {"type": "text", "text": "Convert this image to text"},
        ],
    }
]

# 推理準備
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")

# 推理：生成輸出
generated_ids = model.generate(**inputs, max_new_tokens=128)
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)

📚 詳細文檔

模型架構

預期用途

主要預期用途

• 對以爪夷文書寫的歷史馬來文手稿進行OCR識別。
• 對馬來文化遺產進行數字保存。
• 對歷史馬來語文本進行計算分析。

非預期用途

• 通用阿拉伯文本識別。
• 現代馬來語文本處理。
• 即時OCR應用。

訓練數據

數據集描述

本模型使用特定數據集進行訓練和評估，但文檔未詳細說明數據集內容。

訓練過程

• 使用硬件：1 x H100
• 訓練時間：6小時

性能和侷限性

性能指標

• 字符錯誤率（CER）：8.66
• 單詞錯誤率（WER）：25.50

與其他模型的比較

我們將該模型與https://github.com/VikParuchuri/surya進行了比較，後者在阿拉伯文識別方面報告了較高的準確率，但在我們的爪夷文數據上表現較差：

• 字符錯誤率（CER）：70.89%
• 單詞錯誤率（WER）：91.73%

📄 許可證

文檔未提及許可證信息。

📚 引用

@misc{qwen-for-jawi-v1,
  title     = {Qwen for Jawi v1: a model for Jawi OCR},
  author    = {[Miguel Escobar Varela]}, 
  year      = {2024},
  publisher = {HuggingFace},
  url       = {[https://huggingface.co/mevsg/qwen-for-Jawi-v1]},
  note      = {Model created at National University of Singapore }
}

🙏 致謝

特別感謝William Mattingly，其微調腳本是我們微調方法的基礎：https://github.com/wjbmattingly/qwen2-vl-finetune-huggingface