/ Модель

Характеристики

Параметры
411 млн
Лицензия
MIT
Архитектура
beit · dense
Опубликована
7 мар 2022

dit-large-finetuned-rvlcdip

Классификация изображенийИзображение → label6 профессий

Дообученный на RVL-CDIP трансформер DiT Large классифицирует изображения документов по их типу.

4 684скачиваний за 30 дней12лайковвеса обновлены10 окт 2026

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

Microsoft DiT Large — трансформерный энкодер для классификации изображений документов. Модель предварительно обучена на 42 млн изображений документов IIT-CDIP и дообучена на RVL-CDIP: 400 тыс. изображений в оттенках серого, распределённых по 16 классам. Архитектура DiT идентична BEiT; модель содержит 411 млн параметров.

Основное применение этой версии — классификация сканов и изображений документов. Энкодер также может извлекать векторные представления документов, а предварительно обученная архитектура подходит для дальнейшей настройки на распознавание структуры страниц и обнаружение таблиц. Изображения разбиваются на патчи размером 16×16.

Модель принимает изображения и выдаёт классовые предсказания; для использования требуется совместимый код инференса, например Transformers с PyTorch. В карточке не приведены сведения о лицензии, поэтому условия использования по доступным данным определить нельзя.

Сценарии применения

  • классификация сканов по типу документа
  • распределение входящих документов по категориям
  • классификация изображений деловой документации
  • извлечение признаков из изображений документов
  • подготовка энкодера для анализа структуры страниц

Ограничения

Дообучение выполнено на чёрно-белых изображениях RVL-CDIP с 16 классами, поэтому качество на других типах документов и категориях может отличаться. Условия лицензии в доступной карточке не приведены.

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

Document Image Transformer (large-sized model)

Document Image Transformer (DiT) model pre-trained on IIT-CDIP (Lewis et al., 2006), a dataset that includes 42 million document images and fine-tuned on RVL-CDIP, a dataset consisting of 400,000 grayscale images in 16 classes, with 25,000 images per class. It was introduced in the paper DiT: Self-supervised Pre-training for Document Image Transformer by Li et al. and first released in this repository. Note that DiT is identical to the architecture of BEiT.

Disclaimer: The team releasing DiT did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

The Document Image Transformer (DiT) is a transformer encoder model (BERT-like) pre-trained on a large collection of images in a self-supervised fashion. The pre-training objective for the model is to predict visual tokens from the encoder of a discrete VAE (dVAE), based on masked patches.

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.

By pre-training the model, it learns an inner representation of images that can then be used to extract features useful for downstream tasks: if you have a dataset of labeled document images for instance, you can train a standard classifier by placing a linear layer on top of the pre-trained encoder.

Intended uses & limitations

You can use the raw model for encoding document images into a vector space, but it's mostly meant to be fine-tuned on tasks like document image classification, table detection or document layout analysis. 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 AutoImageProcessor, AutoModelForImageClassification
import torch
from PIL import Image

image = Image.open('path_to_your_document_image').convert('RGB')

processor = AutoImageProcessor.from_pretrained("microsoft/dit-large-finetuned-rvlcdip")
model = AutoModelForImageClassification.from_pretrained("microsoft/dit-large-finetuned-rvlcdip")

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits

# model predicts one of the 16 RVL-CDIP classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

BibTeX entry and citation info

@article{Lewis2006BuildingAT,
  title={Building a test collection for complex document information processing},
  author={David D. Lewis and Gady Agam and Shlomo Engelson Argamon and Ophir Frieder and David A. Grossman and Jefferson Heard},
  journal={Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval},
  year={2006}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BeitForImageClassification
Ревизия весов
88e677d

0 моделей