TF ID Base No Caption

🚀 TF-ID：學術論文表格/圖片識別器

TF-ID（Table/Figure IDentifier）是一系列經過微調的目標檢測模型，由胡逸飛創建，用於提取學術論文中的表格和圖片。它能有效解決學術論文中表格和圖片自動識別的問題，為學術研究和文獻處理提供了便利。

🚀 快速開始

使用以下代碼開始使用該模型：

import requests
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("yifeihu/TF-ID-base", trust_remote_code=True)
processor = AutoProcessor.from_pretrained("yifeihu/TF-ID-base", trust_remote_code=True)

prompt = "<OD>"
url = "https://huggingface.co/yifeihu/TF-ID-base/resolve/main/arxiv_2305_10853_5.png?download=true"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(text=prompt, images=image, return_tensors="pt")
generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024,
    do_sample=False,
    num_beams=3
)

generated_text = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
parsed_answer = processor.post_process_generation(generated_text, task="<OD>", image_size=(image.width, image.height))

print(parsed_answer)

若要可視化結果，請參考此教程筆記本獲取更多詳情。

✨ 主要特性

• TF-ID模型有四個版本，可根據需求選擇提取包含或不包含標題文本的表格和圖片。
• 所有TF-ID模型均基於microsoft/Florence - 2的檢查點進行微調。
• 模型以單頁學術論文的圖像作為輸入，返回該頁面中所有表格和圖片的邊界框。
• 微調數據來自Hugging Face Daily Papers，所有邊界框均經過人工手動標註和檢查。

📦 安裝指南

文檔未提及具體安裝步驟，暫不提供。

💻 使用示例

基礎用法

import requests
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("yifeihu/TF-ID-base", trust_remote_code=True)
processor = AutoProcessor.from_pretrained("yifeihu/TF-ID-base", trust_remote_code=True)

prompt = "<OD>"
url = "https://huggingface.co/yifeihu/TF-ID-base/resolve/main/arxiv_2305_10853_5.png?download=true"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(text=prompt, images=image, return_tensors="pt")
generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=1024,
    do_sample=False,
    num_beams=3
)

generated_text = processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
parsed_answer = processor.post_process_generation(generated_text, task="<OD>", image_size=(image.width, image.height))

print(parsed_answer)

高級用法

文檔未提及高級用法相關代碼，暫不提供。

📚 詳細文檔

模型版本

目標檢測結果格式

{'': {'bboxes': [[x1, y1, x2, y2], ...], 'labels': ['label1', 'label2', ...]} }

訓練代碼和數據集

• 數據集：yifeihu/TF-ID-arxiv-papers
• 代碼：github.com/ai8hyf/TF-ID

基準測試

我們在訓練數據集之外的論文頁面上對模型進行了測試，這些論文是Hugging Face每日論文的一個子集。

正確輸出定義為：模型為給定頁面中的每個表格/圖片繪製正確的邊界框。

根據不同的使用場景，一些“不正確”的輸出可能仍然完全可用。例如，模型為一個包含兩個子組件的圖片繪製了兩個邊界框。

🔧 技術細節

TF-ID模型基於microsoft/Florence - 2進行微調，以適應學術論文中表格和圖片的識別任務。微調數據來自Hugging Face Daily Papers，所有邊界框均經過人工手動標註和檢查，保證了數據的準確性和可靠性。模型以單頁學術論文的圖像作為輸入，通過深度學習算法分析圖像特徵，最終輸出表格和圖片的邊界框。

📄 許可證

本項目採用MIT許可證，詳情請見許可證鏈接。

BibTex和引用信息

@misc{TF-ID,
  author = {Yifei Hu},
  title = {TF-ID: Table/Figure IDentifier for academic papers},
  year = {2024},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/ai8hyf/TF-ID}},
}