/ Модель

Характеристики

Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Библиотека
transformers
Опубликована
6 дек 2024

gregg-vision-v0.2.1

Описание изображенийИзображение → текст3 профессии

Модель распознаёт изображение отдельной формы стенографии Грегга и преобразует её в текстовое представление Grascii.

572скачиваний за 30 дней1лайквеса обновлены28 дек 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

Gregg Vision v0.2.1 — модель Grascii, которая преобразует изображение отдельной формы стенографии Грегга в её текстовое представление Grascii. Она предназначена для распознавания рукописной стенографической формы; вместе с Grascii Search результат можно использовать для поиска возможных интерпретаций на английском языке.

Модель построена на архитектуре vision encoder-decoder: ViT-энкодер обрабатывает одноканальное изображение, а декодер на основе RoBERTa генерирует текст. Энкодер был инициализирован из vit-small-patch16-224-single-channel, декодер — случайно; модель обучена на наборе gregg-preanniversary-words. Лицензия — MIT.

Модель рассчитана на изображения отдельных форм, поэтому карточка не подтверждает распознавание длинных записей или произвольного текста. Она генерирует Grascii, а не готовую английскую расшифровку; для получения возможных английских интерпретаций требуется Grascii Search.

Сценарии применения

  • распознавание отдельной формы стенографии Грегга по изображению
  • преобразование стенографической формы в Grascii
  • подготовка распознанной формы для поиска английской интерпретации через Grascii Search

Ограничения

Модель предназначена для изображения одной стенографической формы и выдаёт Grascii, а не готовую английскую расшифровку. Для получения возможных английских интерпретаций требуется отдельный поиск через Grascii Search.

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

Gregg Vision v0.2.1

Gregg Vision v0.2.1 generates a Grascii representation of a Gregg Shorthand form.

Uses

Given a grayscale image of a single shorthand form, Gregg Vision can be used to generate its Grascii representation. When combined with Grascii Search, one can obtain possible English interpretations of the shorthand form.

How to Get Started with the Model

Use the code below to get started with the model.

from transformers import AutoModelForVision2Seq, AutoImageProcessor, AutoTokenizer
from PIL import Image
import numpy as np


model_id = "grascii/gregg-vision-v0.2.1"
model = AutoModelForVision2Seq.from_pretrained(model_id)
processor = AutoImageProcessor.from_pretrained(model_id)
tokenizer = AutoTokenizer.from_pretrained(model_id)


def generate_grascii(image: Image):
  # convert image to a single channel
  grayscale = image.convert("L")

  # prepare processor input
  images = np.array([grayscale])

  # preprocess image
  pixel_values = processor(images, return_tensors="pt").pixel_values

  # generate token ids
  ids = model.generate(pixel_values, max_new_tokens=12)[0]

  # decode ids and return grascii
  return tokenizer.decode(ids, skip_special_tokens=True)

Note: As of transformers v4.47.0, the model is incompatible with pipeline due to the model's single channel image input.

Technical Details

Model Architecture and Objective

Gregg Vision v0.2.1 is a transformer model with a ViT encoder and a Roberta decoder.

For training, the model was warm-started using vit-small-patch16-224-single-channel for the encoder and a randomly initialized Roberta network for the decoder.

Training Data

Gregg Vision v0.2.1 was trained on the gregg-preanniversary-words dataset.

Training Hardware

Gregg Vision v0.2.1 was trained using 1xT4.

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
72de723

0 моделей