语言:

• 泰语
• 英语 指标:
• 字符错误率（CER） 标签:
• 文本识别转换器（TrOCR）
• 图像转文本 管道标签: 图像转文本 库名称: transformers 许可证: apache-2.0

泰文TrOCR模型

简介

ThaiTrOCR是基于TrOCR基础手写体模型微调而成的版本，专为泰语和英语的光学字符识别（OCR）而设计。这一多语言模型能熟练处理两种语言的手写文本行图像，其架构结合了视觉Transformer编码器与基于Electra的文本解码器。ThaiTrOCR设计紧凑轻量，在资源受限环境中仍能高效部署，同时实现高精度的字符识别。

• 编码器: TrOCR基础手写体版
• 解码器: Electra小型版（使用泰语语料训练）

训练数据集

• pythainlp/thai-wiki-dataset-v3
• pythainlp/thaigov-corpus
• Salesforce/wikitext

使用方法

以下是在PyTorch中使用该模型的示例：

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

# 加载处理器和模型
processor = TrOCRProcessor.from_pretrained('openthaigpt/thai-trocr')
model = VisionEncoderDecoderModel.from_pretrained('openthaigpt/thai-trocr')

# 加载图像
url = '图片URL地址'
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")

# 处理并生成文本
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]
print(generated_text)

模型性能对比

本节详细对比开源ThaiTrOCR模型与主流OCR系统（EasyOCR和Tesseract）的性能表现。下表基于平均字符错误率（CER）展示各模型在不同文档类型上的表现。

免责声明：测试数据集（https://huggingface.co/datasets/openthaigpt/thai-ocr-evaluation）仅包含104张图像，可能影响结果的普适性。我们正在扩充测试数据集规模。

核心发现

• 字符错误率（CER）：该指标衡量模型错误预测字符的比例，CER值越低表示性能越优。如表所示，ThaiTrOCR在所有文档类型上均显著优于EasyOCR和Tesseract，平均CER值最低，成为对比中最精准的模型。
• 模型表现：ThaiTrOCR在处理PDF文档（纯泰文及英泰双语）时表现尤为突出，在场景文本和手写内容识别上也大幅领先竞品。
• Tesseract限制：需注意Tesseract在此次对比中仅支持单语言输入（设置为泰语模式），这可能是其CER值较高的重要原因。
• 评估数据集源自openthaigpt/thai-ocr-evaluation。

赞助方

作者

• Suchut Sapsathien (suchut@outlook.com)
• Jillaphat Jaroenkantasima (autsadang41@gmail.com)