/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
vision-encoder-decoder · dense
Базовая модель
deit-base-distilled-patch16-384
Библиотека
transformers
Опубликована
26 янв 2025

trocr-dv-diet-base-bert

Изображение и текст → текст4 профессии

Модель TrOCR распознаёт текст на дивехи в изображениях, например при оцифровке документов.

125скачиваний за 30 дней0лайковвеса обновлены26 янв 2025

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 «Изображение → текст» — 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

alakxender/trocr-dv-diet-base-bert — модель распознавания текста на изображениях для дивехи (Dhivehi, мальдивского языка). Она разработана на основе архитектуры TrOCR: визуальный энкодер DeiT-base-distilled-patch16-384 соединён с декодером alakxender/bert-base-dv; модель дообучена на 10 тысячах пар изображений и текстов дивехи. Входное изображение обрабатывается в размере 384×384 пикселя, а генерация использует beam search с четырьмя лучами и максимальной длиной последовательности 64 токена.

Модель предназначена для извлечения текста из изображений и может применяться для оцифровки документов и распознавания печатного текста на дивехи. В README приведён пример распознанного фрагмента; оценочные метрики качества не указаны. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • распознавание текста на дивехи в изображениях
  • оцифровка документов на дивехи
  • извлечение мальдивского текста из сканов
  • распознавание печатного текста на дивехи

Ограничения

Модель обучена на 10 тысячах примеров и рассчитана на изображения размером 384×384 пикселя; качество на других типах изображений и языках не описано. В README не приведены численные метрики оценки.

Для каких профессий подходит4

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 Finetuned for Dhivehi Text Recognition

A TrOCR model finetuned for Dhivehi (Divehi/Maldivian) text recognition using DeiT base encoder and BERT decoder.

Model Details

  • Base models:
    • Encoder: facebook/deit-base-distilled-patch16-384
    • Decoder: alakxender/bert-base-dv
  • Training data: 10k samples with 90/10 train/test split
  • Input size: 384x384 pixels
  • Beam search parameters:
    • max_length: 64
    • num_beams: 4
    • early_stopping: True
    • length_penalty: 2.0
    • no_repeat_ngram_size: 3

Training

The model was trained with:

  • 7 epochs
  • Batch size: 8
  • Learning rate: 4e-5
  • FP16 mixed precision
  • Training augmentations:
    • Elastic transform (α=8.0, σ=5.0)
    • Gaussian blur (kernel size=(5,9), σ=(0.1,5))
    • Resize (384x384)
    • Normalization ([0.5,0.5,0.5], [0.5,0.5,0.5])

Usage

from PIL import Image
import torch
from torchvision import transforms
from transformers import (
   DeiTImageProcessor,
   TrOCRProcessor, 
   VisionEncoderDecoderModel,
   AutoTokenizer
)

class OCRPredictor:
   def __init__(self, model_name="alakxender/trocr-dv-diet-base-bert"):
       self.device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
       self.model = self._load_model(model_name)
       self.processor = self._load_processor()
       self.transform = self._get_transforms()
       
   def _load_model(self, model_name):
       model = VisionEncoderDecoderModel.from_pretrained(model_name)
       return model.to(self.device)
   
   def _load_processor(self):
       tokenizer = AutoTokenizer.from_pretrained("alakxender/trocr-dv-diet-base-bert")
       image_processor = DeiTImageProcessor.from_pretrained("facebook/deit-base-distilled-patch16-384")
       return TrOCRProcessor(image_processor=image_processor, tokenizer=tokenizer)
       
   def _get_transforms(self):
       return transforms.Compose([
           transforms.Resize((384, 384)),
           transforms.ToTensor(),
           transforms.Normalize([0.5] * 3, [0.5] * 3)
       ])
       
   def predict(self, image_path):
       image = Image.open(image_path).convert("RGB")
       pixel_values = self.transform(image).unsqueeze(0).to(self.device)
       
       outputs = self.model.generate(
           pixel_values,
           max_length=64,
           num_beams=4,
           early_stopping=True,
           length_penalty=2.0,
           no_repeat_ngram_size=3
       )
       
       return self.processor.decode(outputs[0], skip_special_tokens=True)
       
# Usage
predictor = OCRPredictor()
text = predictor.predict("ocr2.png")
print(text) # ތިން މިނިސްޓްރީއެއް ހިންގާ މ.ގްރީން ބިލްޑިންގުގައި މިދިޔަ ބުރާސްފަތި ދުވަހު ހިނގި ބޮޑު އަލިފާނުގެ.

Evaluation Results

[
  {
    "file_name": "data/images/DV01-04/DV01-04_140.jpg",
    "predicted_text": "ޤާނޫނުގެ 42 ވަނަ މާއްދާގައި ލާޒިމްކުރާ މި ރިޕޯޓު ތައްޔާރުކޮށް ފޮނުވުމުގެ ޒިންމާއަކީ ޤާނޫނުން އިދާރާގެ އިންފޮމޭޝަން އޮފިސަރު ކުރައްވަންޖެހޭ ކަމެކެވެ .",
    "true_text": "ޤާނޫނުގެ 42 ވަނަ މާއްދާގައި ލާޒިމްކުރާ މި ރިޕޯޓު ތައްޔާރުކޮށް ފޮނުވުމުގެ ޒިންމާއަކީ ޤާނޫނުން އިދާރާގެ އިންފޮމޭޝަން އޮފިސަރު ކުރައްވަންޖެހޭ ކަމެކެވެ."
  }
]

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
468627d

0 моделей