标签:

• trocr
• 图像转文本 小部件:
• 图片地址: https://raw.githubusercontent.com/ku21fan/STR-Fewer-Labels/main/demo_image/1.png 示例标题: 示例1
• 图片地址: https://raw.githubusercontent.com/HCIILAB/Scene-Text-Recognition-Recommendations/main/Dataset_images/LSVT1.jpg 示例标题: 示例2
• 图片地址: https://raw.githubusercontent.com/HCIILAB/Scene-Text-Recognition-Recommendations/main/Dataset_images/ArT2.jpg 示例标题: 示例3

TrOCR（大型模型，基于STR基准微调）

TrOCR模型在IC13、IC15、IIIT5K和SVT的训练集上进行了微调。该模型由Li等人在论文TrOCR: 基于Transformer的预训练模型光学字符识别中提出，并首次发布于此代码库。

模型描述

TrOCR模型是一个编码器-解码器模型，由作为编码器的图像Transformer和作为解码器的文本Transformer组成。图像编码器的权重初始化为BEiT，而文本解码器的权重初始化为RoBERTa。

图像以固定大小（16x16分辨率）的补丁序列形式输入模型，这些补丁经过线性嵌入。在将序列输入Transformer编码器层之前，还会添加绝对位置嵌入。接着，Transformer文本解码器自回归地生成标记。

预期用途与限制

您可以将原始模型用于单行文本图像的光学字符识别（OCR）。查看模型中心以寻找您感兴趣任务的微调版本。

使用方法

以下是如何在PyTorch中使用此模型的示例：

from transformers import TrOCRProcessor, VisionEncoderDecoderModel
from PIL import Image
import requests

# 从IIIT-5k数据集中加载图像
url = 'https://i.postimg.cc/ZKwLg2Gw/367-14.png'
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")

processor = TrOCRProcessor.from_pretrained('microsoft/trocr-large-str')
model = VisionEncoderDecoderModel.from_pretrained('microsoft/trocr-large-str')
pixel_values = processor(images=image, return_tensors="pt").pixel_values

generated_ids = model.generate(pixel_values)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

BibTeX条目及引用信息

@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}
}