/ Модель

Характеристики

Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Опубликована
19 июл 2022

donut-base-finetuned-rvlcdip

Описание изображенийИзображение → текст7 профессий

Дообученная на RVL-CDIP модель Donut преобразует изображения документов в текст для задач понимания и классификации документов.

13 474скачиваний за 30 дней21лайквеса обновлены9 мар 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

Donut base — модель семейства Donut, представленная командой NAVER CLOVA в работе «OCR-free Document Understanding Transformer». Это дообученная на RVL-CDIP модель архитектуры vision-encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение документа, а декодер BART авторегрессионно формирует текстовый результат.

Модель предназначена для понимания изображений документов и дообучена на задаче классификации документов RVL-CDIP. Её можно применять для извлечения текстового представления из изображения документа и сценариев классификации документов. Поддерживается обработка изображений с генерацией текста; модель рассчитана на англоязычный набор RVL-CDIP.

Модель распространяется в формате PyTorch по лицензии MIT. Карточка указывает дообучение на RVL-CDIP, однако не приводит подробных оценок качества или ограничений за пределами этого набора данных.

Сценарии применения

  • классификация изображений документов по типам
  • извлечение текстового представления из сканов документов
  • автоматизация разбора изображений документов

Ограничения

Модель дообучена на RVL-CDIP, поэтому её применимость к другим типам документов и языкам может быть ограничена. В карточке не приведены количественные оценки качества.

Для каких профессий подходит7

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

Donut (base-sized model, fine-tuned on RVL-CDIP)

Donut model fine-tuned on RVL-CDIP. It was introduced in the paper OCR-free Document Understanding Transformer by Geewok et al. and first released in this repository.

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

Model description

Donut consists of a vision encoder (Swin Transformer) and a text decoder (BART). Given an image, the encoder first encodes the image into a tensor of embeddings (of shape batch_size, seq_len, hidden_size), after which the decoder autoregressively generates text, conditioned on the encoding of the encoder.

model image

Intended uses & limitations

This model is fine-tuned on RVL-CDIP, a document image classification dataset.

We refer to the documentation which includes code examples.

BibTeX entry and citation info

@article{DBLP:journals/corr/abs-2111-15664,
  author    = {Geewook Kim and
               Teakgyu Hong and
               Moonbin Yim and
               Jinyoung Park and
               Jinyeong Yim and
               Wonseok Hwang and
               Sangdoo Yun and
               Dongyoon Han and
               Seunghyun Park},
  title     = {Donut: Document Understanding Transformer without {OCR}},
  journal   = {CoRR},
  volume    = {abs/2111.15664},
  year      = {2021},
  url       = {https://arxiv.org/abs/2111.15664},
  eprinttype = {arXiv},
  eprint    = {2111.15664},
  timestamp = {Thu, 02 Dec 2021 10:50:44 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2111-15664.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

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
7b37b46

0 моделей