Sumen Base

🚀 将数学公式图像转换为LaTeX序列

本项目旨在解决将数学公式图像转换为LaTeX序列的问题，通过使用大规模数据集训练的端到端Transformer模型Sumen，显著提升了图像到LaTeX转换的性能。

📄 许可证

本项目采用Apache-2.0许可证。

✨ 主要特性

• 图像到文本处理：属于图像到文本的处理范畴，专注于将数学公式图像准确转换为LaTeX序列。
• 特定数据集支持：使用hoang-quoc-trung/fusion-image-to-latex-datasets数据集进行训练。
• 多领域应用：可用于图像转LaTeX、LaTeX OCR、印刷数学表达式识别和手写数学表达式识别等多个领域。

📦 安装指南

本项目的源代码可在此处获取。你可以按照以下步骤进行安装：

1. 克隆项目仓库：

git clone https://github.com/hoang-quoc-trung/sumen.git
cd sumen

2. 安装所需依赖：

pip install -r requirements.txt

💻 使用示例

基础用法

以下是一个使用本模型进行推理的示例代码：

import torch
import requests
from PIL import Image
from transformers import AutoProcessor, VisionEncoderDecoderModel

# Load model & processor
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = VisionEncoderDecoderModel.from_pretrained('hoang-quoc-trung/sumen-base').to(device)
processor = AutoProcessor.from_pretrained('hoang-quoc-trung/sumen-base')
task_prompt = processor.tokenizer.bos_token
decoder_input_ids = processor.tokenizer(
    task_prompt,
    add_special_tokens=False,
    return_tensors="pt"
).input_ids
# Load image
img_url = 'https://raw.githubusercontent.com/hoang-quoc-trung/sumen/main/assets/example_1.png'
image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')
pixel_values = processor.image_processor(
    image,
    return_tensors="pt",
    data_format="channels_first",
).pixel_values
# Generate LaTeX expression
with torch.no_grad():
    outputs = model.generate(
        pixel_values.to(device),
        decoder_input_ids=decoder_input_ids.to(device),
        max_length=model.decoder.config.max_length,
        pad_token_id=processor.tokenizer.pad_token_id,
        eos_token_id=processor.tokenizer.eos_token_id,
        use_cache=True,
        num_beams=4,
        bad_words_ids=[[processor.tokenizer.unk_token_id]],
        return_dict_in_generate=True,
    )
sequence = processor.tokenizer.batch_decode(outputs.sequences)[0]
sequence = sequence.replace(
        processor.tokenizer.eos_token, ""
    ).replace(
        processor.tokenizer.pad_token, ""
    ).replace(processor.tokenizer.bos_token,"")
print(sequence)

高级用法

在实际应用中，你可以根据具体需求调整模型的参数，如max_length、num_beams等，以获得更好的性能。同时，你也可以使用自己的图像数据集进行推理。

📚 详细文档

性能展示

项目信息