/ Модель

Характеристики

Архитектура
magi · dense
Опубликована
18 янв 2024

magi

ЭмбеддингиТекст → embedding3 профессии

Magi — модель для автоматической генерации транскрипций комиксов и манги.

1 893скачиваний за 30 дней58лайковвеса обновлены9 апр 2025

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

Magi — модель Ragav Sachdeva и Andrew Zisserman из Оксфордского университета для работы с мангой и комиксами. Карточка описывает её как систему автоматической генерации транскрипций для комиксов.

В метаданных указаны архитектура MagiModel и задача feature-extraction; репозиторий содержит веса PyTorch в формате Safetensors. Английский указан как язык карточки, но подробности о поддерживаемых языках транскрипции, размере модели и длине контекста не приведены. Лицензия в доступных данных не указана.

Сценарии применения

  • автоматическая транскрипция текста в комиксах
  • извлечение признаков из страниц манги
  • подготовка комиксов к поиску и кластеризации

Ограничения

Карточка содержит лишь краткое описание назначения; подробности о точности, поддерживаемых языках транскрипции и условиях лицензирования не приведены.

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

image/png

Usage

from transformers import AutoModel
import numpy as np
from PIL import Image
import torch
import os

images = [
        "path_to_image1.jpg",
        "path_to_image2.png",
    ]

def read_image_as_np_array(image_path):
    with open(image_path, "rb") as file:
        image = Image.open(file).convert("L").convert("RGB")
        image = np.array(image)
    return image

images = [read_image_as_np_array(image) for image in images]

model = AutoModel.from_pretrained("ragavsachdeva/magi", trust_remote_code=True).cuda()
with torch.no_grad():
    results = model.predict_detections_and_associations(images)
    text_bboxes_for_all_images = [x["texts"] for x in results]
    ocr_results = model.predict_ocr(images, text_bboxes_for_all_images)

for i in range(len(images)):
    model.visualise_single_image_prediction(images[i], results[i], filename=f"image_{i}.png")
    model.generate_transcript_for_single_image(results[i], ocr_results[i], filename=f"transcript_{i}.txt")

License and Citation

The provided model and datasets are available for unrestricted use in personal, research, non-commercial, and not-for-profit endeavors. For any other usage scenarios, kindly contact me via email, providing a detailed description of your requirements, to establish a tailored licensing arrangement. My contact information can be found on my website: ragavsachdeva [dot] github [dot] io

@misc{sachdeva2024manga,
      title={The Manga Whisperer: Automatically Generating Transcriptions for Comics}, 
      author={Ragav Sachdeva and Andrew Zisserman},
      year={2024},
      eprint={2401.10224},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MagiModel
Ревизия весов
15ad498

0 моделей