Trocr Large Str

🚀 TrOCR（大型模型，在STR基准上微调）

TrOCR是一种基于Transformer的光学字符识别模型，它在IC13、IC15、IIIT5K和SVT等数据集上进行了微调。该模型由Li等人在论文TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models中提出，并首次在此仓库中发布。

🚀 快速开始

你可以使用该原始模型对单行文本图像进行光学字符识别（OCR）。你可以在模型中心查找针对你感兴趣的任务进行微调的版本。

✨ 主要特性

• 模型架构：TrOCR是一个编码器 - 解码器模型，由一个图像Transformer作为编码器，一个文本Transformer作为解码器组成。图像编码器的权重初始化自BEiT，而文本解码器的权重初始化自RoBERTa。
• 输入处理：图像以固定大小的图像块（分辨率为16x16）序列的形式输入到模型中，并进行线性嵌入。在将序列输入到Transformer编码器层之前，还会添加绝对位置嵌入。然后，Transformer文本解码器自回归地生成标记。

📚 详细文档

模型描述

TrOCR模型是一个编码器 - 解码器模型，由图像Transformer作为编码器，文本Transformer作为解码器组成。图像编码器的权重初始化为BEiT的权重，而文本解码器的权重初始化为RoBERTa的权重。

图像以固定大小的图像块（分辨率为16x16）序列的形式呈现给模型，并进行线性嵌入。在将序列输入到Transformer编码器层之前，还会添加绝对位置嵌入。接下来，Transformer文本解码器自回归地生成标记。

预期用途和局限性

你可以使用原始模型对单行文本图像进行光学字符识别（OCR）。请参阅模型中心，查找针对你感兴趣的任务进行微调的版本。

💻 使用示例

基础用法

from transformers import TrOCRProcessor, VisionEncoderDecoderModel
from PIL import Image
import requests

# load image from the IIIT-5k dataset
url = 'https://i.postimg.cc/ZKwLg2Gw/367-14.png'
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")

processor = TrOCRProcessor.from_pretrained('microsoft/trocr-large-str')
model = VisionEncoderDecoderModel.from_pretrained('microsoft/trocr-large-str')
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]

BibTeX引用

@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}
}