TF ID Base

🚀 TF-ID：学术论文表格/图片识别器

TF-ID（Table/Figure IDentifier）是一系列目标检测模型，由胡逸飞创建，用于提取学术论文中的表格和图片。该模型为学术研究和文档处理提供了高效的表格与图片识别解决方案，能精准定位并提取相关内容。

🚀 快速开始

使用以下代码开始使用该模型：

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)

若要可视化结果，请参考此教程笔记本获取更多详细信息。

✨ 主要特性

• TF-ID有四个版本，可根据需求选择是否提取图片/表格的标题文本。
• 所有TF-ID模型均基于microsoft/Florence-2的检查点进行微调。
• 模型以单页学术论文的图片作为输入，输出该页面中所有表格和图片的边界框。

📚 详细文档

模型概述

TF-ID（Table/Figure IDentifier）是一系列用于提取学术论文中表格和图片的目标检测模型，由胡逸飞创建。它有四个版本：

训练相关

• 数据集：yifeihu/TF-ID-arxiv-papers
• 代码：github.com/ai8hyf/TF-ID

基准测试

在训练数据集之外的论文页面上对模型进行了测试，这些论文是Hugging Face每日论文的一个子集。 正确输出定义为模型为给定页面中的每个表格/图片绘制正确的边界框。

根据不同的使用场景，一些“不正确”的输出可能仍然完全可用。例如，模型为一个包含两个子组件的图片绘制了两个边界框。

目标检测结果格式

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

BibTex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}},
}

📄 许可证

本项目采用MIT许可证，详情请见许可证链接。