TrOCR（基础大小的模型，仅预训练）

TrOCR仅预训练模型。它在李等人的论文 TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models 中引入，并于 this repository 首次发布。

免责声明：发布TrOCR的团队没有为此模型编写模型卡，因此此模型卡是由Hugging Face团队撰写的。

模型描述

图像以一系列固定大小的补丁（分辨率为16x16）的形式呈现给模型，然后进行线性嵌入。在将序列输入Transformer编码器的各个层之前，还添加了绝对位置嵌入。接下来，Transformer文本解码器自回归生成标记。

    预期用途与局限性

您可以使用原始模型对单行文本图像进行光学字符识别（OCR）。请参阅 model hub 以查找与您感兴趣的任务相关的微调版本。

使用方法

以下是如何在PyTorch中使用此模型：

from transformers import TrOCRProcessor, VisionEncoderDecoderModel
from PIL import Image
import requests

# load image from the IAM database
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-base-stage1')
model = VisionEncoderDecoderModel.from_pretrained('microsoft/trocr-base-stage1')

# training
pixel_values = processor(image, return_tensors="pt").pixel_values  # Batch size 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条目和引用信息

@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}
}