language:

• it license: apache-2.0 library_name: transformers

意大利语OCR纠错序列到序列模型

模型详情

该模型是专为意大利语设计的实验性序列到序列架构的首个版本，旨在修正低质量光学字符识别（OCR）系统在意大利文本上产生的约93%的错误。通过输入原始的OCR扫描文本，模型将输出修正后的文本版本，显著减少错误并提升可读性和准确性。

预期用途

• 主要用途：本模型适用于处理及修正通过OCR技术数字化的意大利语文本，特别针对扫描质量低、OCR错误率显著较高的文本。
• 目标用户：面向处理意大利历史文献、书籍及任何OCR错误频发的数字化资料的开发者、研究人员和档案工作者。

局限性

• 尽管模型能修正约93%的OCR错误，但在某些特定错误类型或语境下，其表现可能有所下降。
• 该模型专门针对意大利语文本训练，对其他语言或包含大量非意大利语内容的文本可能表现不佳。

使用方法

import torch
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
device = "cuda" if torch.cuda.is_available() else "cpu"
MODEL_NAME = "DeepMount00/OCR_corrector"

model = AutoModelForSeq2SeqLM.from_pretrained(MODEL_NAME).eval()
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model.to(device)
my_text = "In un'epca lontnaa, un re goernava le sue tere con saggez2a e giustiia. Sotot il suo regno, il rgeno prosperava e la getne era flice. Ma un gionro, un drgoa feroce attcò il regno, semniando ditruzione e paurra tra i suoi abtanti."
inputs = tokenizer(my_text, return_tensors="pt").to(device)
outputs = model.generate(input_ids=inputs['input_ids'],
               attention_mask=inputs['attention_mask'],
               num_beams=2, max_length=1050, top_k=10)
clean_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(clean_text)