模型卡片：detr-doc-table-detection

模型详情

detr-doc-table-detection是一个基于 facebook/detr-resnet-50 进行训练的模型，用于检测文档中的有边框和无边框表格。

• 开发者：Taha Douaji
• 共享者[可选]：Taha Douaji
• 模型类型：目标检测
• 自然语言处理语言：需要更多信息
• 许可证：需要更多信息
• 父模型： facebook/detr-resnet-50
• 更多信息资源：
  • Model Demo Space
  • Associated Paper

使用场景

直接使用

该模型可用于目标检测任务。

超出范围的使用

不应将该模型用于故意创建对人们敌对或疏远的环境。

偏见、风险和限制

大量研究探讨了语言模型的偏见和公平性问题（参见 Sheng et al. (2021) 和 Bender et al. (2021) ）。模型生成的预测可能包含关于受保护类别、身份特征以及敏感的社会和职业群体的令人不安和有害的刻板印象。

建议

用户（直接和下游用户）应了解模型的风险、偏见和限制。进一步的建议需要更多信息。

训练详情

训练数据

该模型是在ICDAR2019表格数据集上训练的。

环境影响

可以使用 Machine Learning Impact calculator 中提出的方法来估计碳排放量。

引用

BibTeX：

@article{DBLP:journals/corr/abs-2005-12872,
  author    = {Nicolas Carion and
               Francisco Massa and
               Gabriel Synnaeve and
               Nicolas Usunier and
               Alexander Kirillov and
               Sergey Zagoruyko},
  title     = {End-to-End Object Detection with Transformers},
  journal   = {CoRR},
  volume    = {abs/2005.12872},
  year      = {2020},
  url       = {https://arxiv.org/abs/2005.12872},
  archivePrefix = {arXiv},
  eprint    = {2005.12872},
  timestamp = {Thu, 28 May 2020 17:38:09 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2005-12872.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

模型卡片作者[可选]

Taha Douaji与Ezi Ozoani以及Hugging Face团队合作

模型卡片联系方式

需要更多信息

如何开始使用模型

使用下面的代码开始使用模型。

from transformers import DetrImageProcessor, DetrForObjectDetection
import torch
from PIL import Image
import requests

image = Image.open("IMAGE_PATH")

processor = DetrImageProcessor.from_pretrained("TahaDouaji/detr-doc-table-detection")
model = DetrForObjectDetection.from_pretrained("TahaDouaji/detr-doc-table-detection")

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)

# convert outputs (bounding boxes and class logits) to COCO API
# let's only keep detections with score > 0.9
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.9)[0]

for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
    box = [round(i, 2) for i in box.tolist()]
    print(
            f"Detected {model.config.id2label[label.item()]} with confidence "
            f"{round(score.item(), 3)} at location {box}"
    )