/ Модель

Характеристики

Контекст
512 токенов
Архитектура
vision-encoder-decoder · dense
Базовая модель
trocr-base-handwritten
Библиотека
transformers
Опубликована
2 мар 2025

latex_finetuned

Изображение и текст → текст3 профессии

Модель преобразует изображение одного рукописного математического выражения в код LaTeX.

358скачиваний за 30 дней3лайкавеса обновлены10 апр 2025

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 «Изображение → текст» — 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

tjoab/latex_finetuned — модель распознавания рукописных математических выражений и преобразования их изображений в LaTeX. Она разработана дообучением TrOCR от Microsoft, архитектура которой относится к vision-encoder-decoder, и предназначена для обработки одного выражения на изображении. Для дообучения использован набор MathWriting от Google, содержащий более 500 тысяч рукописных математических выражений.

Модель принимает изображение и генерирует текстовую запись LaTeX; в оценке по метрике CER получен результат 14,9%. Длинные выражения распознаются хуже, а соотношение сторон изображения около 3:2 показало себя предпочтительным. Лицензия в предоставленных данных не указана.

Сценарии применения

  • распознавание рукописных формул с изображения
  • преобразование математической записи в LaTeX
  • оцифровка рукописных выражений для математических документов

Ограничения

Предназначена для распознавания одного выражения; длинные выражения распознаются хуже. В оценке модели CER составил 14,9%, а соотношение сторон изображения около 3:2 указано как предпочтительное.

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

TrOCR-LaTeX (fine-tuned on math handwriting)

Take your handwritten math and turn it into clean LaTeX code. This is a fine-tuned version of microsoft/trocr-base-handwritten, a transformer-based optical character recognition model, adapted to work with handwritten math images and structured math syntax.

Data

Fine-tuned on Google's MathWriting dataset. Contains over 500,000 digital inks of handwritten mathematical expressions obtained through either manual labelling or programmatic generation.

Intended use & limitations

You can use this model for OCR on a single math expression.

There is degraded performance on very long expressions (due to image preprocessing, 3:2 aspect ratio seems to work best).

  • Create an expression chunking scheme to split the image into subimages and process each to bypass this limitation.
  • In order to process multiple expressions, you need to chuck groups into single expressions.

How to use (PyTorch)

from transformers import TrOCRProcessor, VisionEncoderDecoderModel
from PIL import Image

# Helper funtion (path to either JPEG or PNG)
def open_PIL_image(image_path: str) -> Image.Image:
  image = Image.open(image_path)
  if image_path.split('.')[-1].lower() == 'png':
      image = Image.composite(image, PIL.Image.new('RGB', image.size, 'white'), image)
  return image


# Load model and processor from Hugging Face
processor = TrOCRProcessor.from_pretrained('tjoab/latex_finetuned')
model = VisionEncoderDecoderModel.from_pretrained('tjoab/latex_finetuned')


# Load all images as a batch
images = [open_PIL_image(path) for path in paths]

# Preprocess the images 
preproc_image = processor.image_processor(images=images, return_tensors="pt").pixel_values

# Generate and decode the tokens
# NOTE: max_length default value is very small, which often results in truncated inference if not set 
pred_ids = model.generate(preproc_image, max_length=128)
latex_preds = processor.batch_decode(pred_ids, skip_special_tokens=True)

Training Details

  • Mini-batch size: 8
  • Optimizer: Adam
  • LR Scheduler: cosine
  • fp16 mixed precision
    • Trained using automatic mixed precision (AMP) with torch.cuda.amp for reduced memory usage.
  • Gradient accumulation
    • Used to simulate a larger effective batch size while keeping per-step memory consumption low.
    • Optimizer steps occurred every 8 mini-batches.

Evaluation

Performance was evaluated using Character Error Rate (CER) defined as:

CER = (Substitutions + Insertions + Deletions) / Total Characters in Ground Truth

  • ✅ Why CER?

    • Math expressions are structurally sensitive. Shuffling even a single character can completely change the meaning.
      • x^2 vs. x_2
      • \frac{a}{b} vs. \frac{b}{a}
    • CER will penalizes small error in syntax.
  • Evalution yeilded a CER of 14.9%.

BibTeX and Citation

The original TrORC model was introduced in this paper:

TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models by Li et al.

You can find the source code in their repository.

@misc{li2021trocr,
      title={TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models}, 
      author={Minghao Li and Tengchao Lv and Lei Cui and Yijuan Lu and Dinei Florencio and Cha Zhang and Zhoujun Li and Furu Wei},
      year={2021},
      eprint={2109.10282},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

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
63b715c

0 моделей