标签:

• trocr
• 图像转文本

TrOCR（大型模型，仅预训练）

TrOCR仅预训练模型。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。

免责声明：发布TrOCR的团队未为此模型编写模型卡，因此本模型卡由Hugging Face团队撰写。

模型描述

TrOCR模型是一种编码器-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。图像编码器权重初始化为BEiT，而文本解码器权重初始化为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IAM数据库加载图像
url = 'https://fki.tic.heia-fr.ch/static/img/a01-122-02-00.jpg'
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")

processor = TrOCRProcessor.from_pretrained('microsoft/trocr-large-stage1')
model = VisionEncoderDecoderModel.from_pretrained('microsoft/trocr-large-stage1')

# 训练
pixel_values = processor(image, return_tensors="pt").pixel_values  # 批次大小为1
decoder_input_ids = torch.tensor([[model.config.decoder.decoder_start_token_id]])
outputs = model(pixel_values=pixel_values, decoder_input_ids=decoder_input_ids)

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}
}