/ Модель

Характеристики

Параметры
113 млн
Архитектура
mgp-str · dense
Опубликована
23 ноя 2022

mgp-str-base

Описание изображенийИзображение → текст6 профессий

MGP-STR — зрительная модель Alibaba DAMO Academy для распознавания текста на изображениях с помощью предсказаний символов, подслов и слов.

52 307скачиваний за 30 дней65лайковвеса обновлены11 дек 2023

Бенчмарки

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

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

MGP-STR base — модель распознавания текста на изображениях, разработанная Alibaba DAMO Academy. Это чисто зрительная архитектура на основе Vision Transformer (ViT) с модулями A³ и головами предсказания символов, подслов и слов; предсказания объединяются для распознавания текста. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и safetensors.

Модель предназначена для OCR и распознавания текста в изображениях, в частности для scene text recognition. Она обучена на синтетических наборах MJSynth и SynthText. В основе ViT использованы веса DeiT-base, кроме слоя встраивания патчей; входное изображение имеет размер 32×128. Карточка не сообщает о поддержке нескольких языков или о длине контекста.

Модель можно использовать для распознавания текста без дополнительной настройки; для прикладных задач README предлагает искать дообученные версии. Ограничение — обучение описано на синтетических данных, поэтому качество на реальных изображениях и вне этого распределения не гарантируется. Лицензия в предоставленных данных не указана.

Сценарии применения

  • распознавание текста на уличных вывесках
  • извлечение текста из фотографий и сканов
  • OCR для изображений с печатным текстом
  • распознавание коротких текстовых фрагментов в сценах

Ограничения

Обучение описано на синтетических наборах MJSynth и SynthText, поэтому качество на реальных изображениях может отличаться. Лицензия в предоставленных данных не указана.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MGP-STR (base-sized model)

MGP-STR base-sized model is trained on MJSynth and SynthText. It was introduced in the paper Multi-Granularity Prediction for Scene Text Recognition and first released in this repository.

Model description

MGP-STR is pure vision STR model, consisting of ViT and specially designed A^3 modules. The ViT module was initialized from the weights of DeiT-base, except the patch embedding model, due to the inconsistent input size.

Images (32x128) are presented to the model as a sequence of fixed-size patches (resolution 4x4), which are linearly embedded. One also adds absolute position embeddings before feeding the sequence to the layers of the ViT module. Next, A^3 module selects a meaningful combination from the tokens of ViT output and integrates them into one output token corresponding to a specific character. Moreover, subword classification heads based on BPE A^3 module and WordPiece A^3 module are devised for subword predictions, so that the language information can be implicitly modeled. Finally, these multi-granularity predictions (character, subword and even word) are merged via a simple and effective fusion strategy.

Intended uses & limitations

You can use the raw model for optical character recognition (OCR) on text images. See the model hub to look for fine-tuned versions on a task that interests you.

How to use

Here is how to use this model in PyTorch:

from transformers import MgpstrProcessor, MgpstrForSceneTextRecognition
import requests
from PIL import Image

processor = MgpstrProcessor.from_pretrained('alibaba-damo/mgp-str-base')
model = MgpstrForSceneTextRecognition.from_pretrained('alibaba-damo/mgp-str-base')

# load image from the IIIT-5k dataset
url = "https://i.postimg.cc/ZKwLg2Gw/367-14.png"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")

pixel_values = processor(images=image, return_tensors="pt").pixel_values
outputs = model(pixel_values)

generated_text = processor.batch_decode(outputs.logits)['generated_text']

BibTeX entry and citation info

@inproceedings{ECCV2022mgp_str,
  title={Multi-Granularity Prediction for Scene Text Recognition},
  author={Peng Wang, Cheng Da, and Cong Yao},
  booktitle = {ECCV},
  year={2022}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Для архитектуры mgp-str нет загрузчика под задачу ocr.

Класс архитектуры
MGPSTRModel
Ревизия весов
5d06493

0 моделей