license: mit tags:

• donut
• 图像转文本
• 视觉

Donut (基础尺寸模型，仅预训练)

Donut模型的纯预训练版本。该模型由Geewok等人在论文《无需OCR的文档理解Transformer》中提出，并首次发布于此代码库。

免责声明：发布Donut的团队未为此模型编写模型卡片，故本卡片由Hugging Face团队撰写。

模型描述

Donut由视觉编码器（Swin Transformer）和文本解码器（BART）组成。给定图像时，编码器首先将图像编码为嵌入张量（形状为batch_size, seq_len, hidden_size），随后解码器基于编码器的输出自回归生成文本。

预期用途与限制

该模型需在下游任务（如文档图像分类或文档解析）上进行微调。请访问模型中心查找您感兴趣任务的微调版本。

使用方法

请参阅包含代码示例的官方文档。

BibTeX引用信息

@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}
}