/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Опубликована
15 июл 2024

im2latex

Описание изображенийИзображение → текст3 профессии

Модель преобразует изображения математических формул в исходный код LaTeX.

147скачиваний за 30 дней18лайковвеса обновлены23 окт 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание текста» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DGurgurov/im2latex — дообученная модель архитектуры VisionEncoderDecoder для преобразования изображений математических формул в код LaTeX. Её разработчик дообучил Swin Transformer в роли визуального энкодера и GPT-2 в роли декодера на наборе OleehyO/latex-formulas; модель использует PyTorch и сохранена в формате safetensors.

Модель предназначена для распознавания формул на изображениях и последующего редактирования или использования их LaTeX-представления. В описанной оценке на тестовой выборке указаны BLEU 0,67 и потери 0,10. Лицензия — MIT.

Сценарии применения

  • распознавание формул с изображения в LaTeX
  • оцифровка математических выражений из учебников и статей
  • извлечение формул из скриншотов и сканов
  • подготовка LaTeX-разметки для редактирования математических формул

Ограничения

В README приведена оценка BLEU 0,67 на тестовой выборке, поэтому результат распознавания может требовать проверки и исправления. Оценка относится к указанному набору формул и сама по себе не подтверждает качество на иных типах изображений.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

im2latex

This model is a base VisionEncoderDecoderModel fine-tuned on a dataset for generating LaTeX formulas from images.

Model Details

  • Encoder: Swin Transformer
  • Decoder: GPT-2
  • Framework: PyTorch
  • DDP (Distributed Data Parallel): Used for training

Training Data

The data is taken from OleehyO/latex-formulas. The data was divided into 80:10:10 for train, val and test. The splits were made as follows:

dataset = load_dataset(OleehyO/latex-formulas, cleaned_formulas)
train_val_split = dataset["train"].train_test_split(test_size=0.2, seed=42)
train_ds = train_val_split["train"]
val_test_split = train_val_split["test"].train_test_split(test_size=0.5, seed=42)
val_ds = val_test_split["train"]
test_ds = val_test_split["test"]

Evaluation Metrics

The model was evaluated on a test set with the following results:

  • Test Loss: 0.10
  • Test BLEU Score: 0.67

Usage

You can use the model directly with the transformers library:

from transformers import VisionEncoderDecoderModel, AutoTokenizer, AutoFeatureExtractor
import torch
from PIL import Image

# load model, tokenizer, and feature extractor
model = VisionEncoderDecoderModel.from_pretrained("DGurgurov/im2latex")
tokenizer = AutoTokenizer.from_pretrained("DGurgurov/im2latex")
feature_extractor = AutoFeatureExtractor.from_pretrained("microsoft/swin-base-patch4-window7-224-in22k") # using the original feature extractor for now

# prepare an image
image = Image.open("path/to/your/image.png")
pixel_values = feature_extractor(images=image, return_tensors="pt").pixel_values

# generate LaTeX formula
generated_ids = model.generate(pixel_values)
generated_texts = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)

print("Generated LaTeX formula:", generated_texts[0])

Training Script

The training script for this model can be found in the following repository: GitHub

Citation:

  • If you use this work in your research, please cite our paper:
@misc{gurgurov2024imagetolatexconvertermathematicalformulas,
      title={Image-to-LaTeX Converter for Mathematical Formulas and Text}, 
      author={Daniil Gurgurov and Aleksey Morshnev},
      year={2024},
      eprint={2408.04015},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2408.04015}, 
}

License [MIT]

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
6f28142

0 моделей