标签:

• latex-ocr
• 数学公式识别
• 数学公式识别模型
• mfr
• 图片转文本
• p2t
• 图像转文本 许可证: mit 库名: transformers

模型卡片: Pix2Text-MFR

来自Pix2Text (P2T)的数学公式识别(MFR)模型。

模型详情

此MFR模型采用了微软开发的TrOCR架构，以其初始值为基础，并通过数学公式图片数据集进行了重新训练。最终得到的MFR模型能够将数学公式图片转换为LaTeX文本表示。更多详情请参阅：Pix2Text V1.0新版发布：最佳开源公式识别模型 | Breezedeus.com。

使用与限制

• 用途：此模型为数学公式识别模型，能够将输入的数学公式图片转换为LaTeX文本表示。
• 限制：由于模型是在数学公式图片数据上训练的，它在识别其他类型的图片时可能无法正常工作。

文档

• Pix2Text V1.0新版发布：最佳开源公式识别模型 | Breezedeus.com；
• Pix2Text (P2T) Github：breezedeus/pix2text；
• Pix2Text在线免费服务：p2t.breezedeus.com；
• Pix2Text在线文档：文档；
• Pix2Text更多信息：breezedeus.com/pix2text；
• Pix2Text讨论区：https://discord.gg/GgD87WM8Tf

示例

印刷体公式图片

手写体公式图片

模型使用

方法1：直接使用模型

此方法无需安装pix2text，但只能识别纯公式图片。

#! pip install transformers>=4.37.0 pillow optimum[onnxruntime]
from PIL import Image
from transformers import TrOCRProcessor
from optimum.onnxruntime import ORTModelForVision2Seq

processor = TrOCRProcessor.from_pretrained('breezedeus/pix2text-mfr')
model = ORTModelForVision2Seq.from_pretrained('breezedeus/pix2text-mfr', use_cache=False)

image_fps = [
    'examples/example.jpg',
    'examples/42.png',
    'examples/0000186.png',
]
images = [Image.open(fp).convert('RGB') for fp in image_fps]
pixel_values = processor(images=images, return_tensors="pt").pixel_values
generated_ids = model.generate(pixel_values)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)
print(f'generated_ids: {generated_ids}, \ngenerated text: {generated_text}')

方法2：使用Pix2Text

此方法需要安装pix2text，借助Pix2Text中的数学公式检测模型（MFD），它不仅可以识别纯公式图片，还可以识别包含文本的混合图片。

$ pip install pix2text>=1.1

#! pip install pix2text>=1.1

from pix2text import Pix2Text, merge_line_texts

image_fps = [
    'examples/example.jpg',
    'examples/42.png',
    'examples/0000186.png',
]
p2t = Pix2Text.from_config()
outs = p2t.recognize_formula(image_fps)  # 识别纯公式图片

outs2 = p2t.recognize('examples/mixed.jpg', file_type='text_formula', return_text=True, save_analysis_res='mixed-out.jpg')  # 识别混合图片
print(outs2)

方法3：使用Notebook

通过此Notebook尝试Pix2Text：https://github.com/breezedeus/Pix2Text/blob/main/pix2text_v1_1.ipynb。

性能

测试数据的原始图片来源于Pix2Text在线服务用户上传的真实数据。首先选取一段时间内用户的真实数据，然后利用Pix2Text中的数学公式检测模型（MFD）检测出这些图片中的数学公式并截取出对应的部分，再从中随机选取部分公式图片进行人工标注，创建测试数据集。下图展示了测试数据集中的部分样例图片。可以看出测试数据集中的图片非常多样化，包括各种长度和复杂度的数学公式，从单个字母到公式组甚至矩阵图片。本测试数据集包括485张图片。

以下是各模型在此测试数据集上的字符错误率（CER，越低越好）。对真实标注结果及每个模型的输出首先进行了标准化，以确保空格等无关因素不影响测试结果。对于Texify的识别结果，首先去除了公式的首尾符号$或$$。

从上图可见，Pix2Text V1.0 MFR开源免费版模型已显著优于之前版本的付费模型。而相比V1.0 MFR开源免费模型，Pix2Text V1.0 MFR付费模型的精度得到了进一步提升。

Texify更适合识别标准排版的图片，对包含单字母的图片识别较差。这也是Texify在此测试数据集上表现不如Latex-OCR的主要原因。

反馈

关于模型的任何问题或意见，欢迎联系作者Breezedeus。