/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Опубликована
9 мая 2023

trocr-large-handwritten-fr

Описание изображенийИзображение → текст3 профессии

Модель TrOCR распознаёт французский рукописный текст на изображениях отдельных строк, включая архивные и переписные записи.

1 083скачиваний за 30 дней2лайкавеса обновлены20 июл 2023

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

agomberto/trocr-large-handwritten-fr — модель TrOCR для распознавания французского рукописного текста, разработанная как PoC при участии Marie Beigelman. Она предназначена для OCR изображений с одной строкой текста, в частности исторических записей и переписных документов. Модель дообучена в два этапа: сначала на синтетических французских текстах, затем на рукописных французских наборах данных, включая French Census.

Архитектура — vision encoder-decoder: BEiT служит визуальным энкодером, а RoBERTa — текстовым декодером, который авторегрессионно генерирует текст. На тестовых выборках указаны CER 0,09417 и WER 0,23485. Авторы отмечают, что для улучшения качества стоит собрать больше данных и продолжить обучение или тонкую настройку; гиперпараметры подбирались эвристически.

Модель распространяется по лицензии MIT.

Сценарии применения

  • распознавание рукописных строк во французских переписных документах
  • оцифровка французских архивных записей
  • преобразование изображений рукописного французского текста в текст
  • извлечение имён, адресов и профессий из рукописных документов

Ограничения

Модель рассчитана на изображения отдельных строк, а не на полноценные страницы. Авторы характеризуют её как PoC; тестовые CER и WER составляют 0,09417 и 0,23485, а гиперпараметры подбирались эвристически.

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

TrOCR base handwritten for French

Overview

TrOCR handwritten has not yet released for French, so we trained a French model for PoC purpose. Based on this model, it is recommended to collect more data to additionally train the 1st stage or perform fine-tuning as the 2nd stage.

It's a special case of the English large handwritten trOCR model introduced in the paper TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models by Li et al. and first released in this repository as a TrOCR model fine-tuned on the IAM dataset. We worked with Marie Beigelman on this.

We decided to fine-tuned in two steps on two datasets and one generated dataset:

  1. We created 70000 lines thanks to a list of names, surnames, occupations, cities, numbers and Text Data Generator a. To adapt to French vocabulary and names we trained for 10 epochs on this dataset only
  2. We fine tuned during 20 epochs on two handwritten datasets: a. French Census dataset from Constum et al. We created a dataset on the hub too. b. A dataset soon to come on French archives - 11000 lines, manually annotated

Model description

The TrOCR model is an encoder-decoder model, consisting of an image Transformer as encoder, and a text Transformer as decoder. The image encoder was initialized from the weights of BEiT, while the text decoder was initialized from the weights of RoBERTa.

Images are presented to the model as a sequence of fixed-size patches (resolution 16x16), which are linearly embedded. One also adds absolute position embeddings before feeding the sequence to the layers of the Transformer encoder. Next, the Transformer text decoder autoregressively generates tokens.

Intended uses & limitations

You can use the raw model for optical character recognition (OCR) on single text-line images.

Parameters

We used heuristic parameters without separate hyperparameter tuning.

  • learning_rate = 4e-5
  • epochs = 20
  • fp16 = True
  • max_length = 64
  • batch_size = 128
  • split train/dev: 90/10

Metrics

For the dev set we got those results

  • size of the set: 700 examples from French Census / 1600 from our own dataset
  • CER: 0.0575
  • WER: 0.1651
  • Loss: 0.5768

For the test set we got those results

  • size of the set: 730 examples from French Census / 950 from our own dataset
  • CER: 0.09417
  • WER: 0.23485
  • Loss: 0.8700

How to use

Here is how to use this model in PyTorch:

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

url = "https://github.com/agombert/trocr-base-printed-fr/blob/main/sample_imgs/5.jpg"
response = requests.get(url)
img = Image.open(BytesIO(response.content))

processor = TrOCRProcessor.from_pretrained('microsoft/trocr-large-handwritten')
model = VisionEncoderDecoderModel.from_pretrained('agomberto/trocr-large-handwritten-fr')
tokenizer = AutoTokenizer.from_pretrained('agomberto/trocr-large-handwritten-fr')

pixel_values = (processor(images=image, return_tensors="pt").pixel_values)
generated_ids = model.generate(pixel_values)
generated_text = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

BibTeX entry and citation info

@miscellaneous{
  author    = {Arnault Gombert & Marie Beigelman},
  title     = {TrOCR in French: adapt to french archives},
  year      = {2023}
}

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
43569d3

0 моделей