GOT-OCR-2.0 通用字符识别

MODEL ZOO Nov 3, 2024

在光学字符识别 (OCR) 领域，传统系统 (OCR-1.0) 难以满足日益增长的智能处理需求。随着输入数据的多样性和复杂性不断增加，从纯文本到更复杂的信号（如数学公式、表格甚至几何形状），显然需要一种更统一、更复杂的方法。

这就是GOT (通用 OCR 理论) 模型的用武之地。在这篇文章中，我们将探讨 OCR-2.0 背后的理论，介绍 GOT OCR 2.0 模型，并引导你如何使用我的 GitHub 存储库开始使用它。

1、对 OCR-2.0 的需求

OCR-1.0 系统虽然仍可运行，但并非为处理现代应用程序所需的输入和输出多样性而构建。对 OCR 的期望不再局限于从扫描文档中提取文本。当今的应用程序要求 OCR 能够处理：

纯文本
数学公式
表格和图表
乐谱
几何形状

OCR-1.0 系统通常比较死板，只能很好地处理特定任务。向 OCR-2.0 的演进代表着一种范式转变，即向能够处理各种光学字符的模型转变。

2、GOT 模型：统一的端到端解决方案

GOT （General OCR Theory）模型代表着 OCR 技术的重大飞跃。它拥有 5.8 亿个参数，是一个大型、统一、端到端的解决方案，旨在一个框架内处理各种 OCR 任务。其一些主要功能包括：

高压缩编码器和长上下文解码器，可实现高效处理。
能够处理各种输入，例如：
场景图像
文档样式图像
整页和切片输入
支持多种格式的输出，包括纯文本、markdown、TikZ 和 SMILES。
交互式 OCR 功能，例如由坐标或颜色引导的区域级识别。
动态分辨率和多页 OCR 功能可增强可用性。

GOT 模型用途广泛，支持各种输入类型并生成结构化输出，非常适合复杂的 OCR 任务。

3、开始使用 GOT

为了帮助你深入了解下一代 OCR 技术，我创建了一个 GitHub 存储库，演示如何实现和测试 GOT 模型。以下是你将在存储库中找到的内容以及如何开始：

3.1 加载模型

可以使用 Hugging Face 的 transformers 包轻松导入模型，这简化了加载和与 GOT 模型交互的过程。

from transformers import AutoModel, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained('ucaslcl/GOT-OCR2_0', trust_remote_code=True)
model = AutoModel.from_pretrained('ucaslcl/GOT-OCR2_0', trust_remote_code=True, low_cpu_mem_usage=True, device_map='cuda', use_safetensors=True, pad_token_id=tokenizer.eos_token_id)
model = model.eval().cuda()

3.2 在数字 PDF 上测试

我在两种类型的数字 PDF 上测试了该模型。为了将 PDF 转换为图像，我使用了 PDF2Image 包：

# read pdf as images and save
images = convert_from_path("test_pdf_ocr/sample_file.pdf")
images_paths = []
for i in range(len(images)):
    images_paths.append(f"test_pdf_ocr/image-{i}.jpg")
    cv2.imwrite(images_paths[-1],np.array(images[i]))

医学示例 — 包含表格的文档，用于查看 GOT 处理结构化数据的能力。

科学论文 — 一种用于评估其如何处理文本信息的论文格式。

# read each image and read with ocr model
for path in images_paths:
    a = dt.now()
    res = model.chat(tokenizer, path, ocr_type='format', render=True, save_render_file = path.replace('.jpg','.html'))
    b = dt.now()
    with open(path.replace(".jpg",f"_{round((b-a).total_seconds(),2)}.txt"),"w") as f:
        f.write(res)

我使用开发人员提到的 ocr_type 格式，以便在格式化文件上获得更好的结果，就像你在医学结果或论文中看到的那样。

在这次初步测试中，我专注于每份文件的第一页。结果证明了 GOT 能够处理复杂表格和连续文本。

3.3 输出注意事项

到目前为止，我还没有将任何 PDF 上传到存储库，但你可以按照存储库中的代码和说明轻松复制实验：

4、我对 GOT 模型的印象

在测试 GOT 后，我可以自信地说，它是 OCR 任务的出色开箱即用解决方案。以下是我的想法：

易用性：GOT 模型非常用户友好，尤其是与 Tesseract 等其他 OCR 工具相比。只需进行最少的设置，你就可以高效运行它，这使其成为开发人员和研究人员的理想选择。
多功能性：该模型处理多种格式（markdown、TikZ、SMILES 等）的能力令人印象深刻。它为处理从学术论文到科学图表等不同领域的 OCR 开辟了新的可能性。
结果质量：在我的测试中，GOT 模型产生了更好的比传统 OCR 工具的结果更好。它在准确性方面表现出色，尤其是表格等结构化数据。
挑战：虽然 GOT 模型总体表现良好，但也存在一些挑战。例如，在纸质测试的脚注中，处理非常小的文本时存在轻微问题。虽然这是一个小缺点，但我相信随着更多改进，该模型会随着时间的推移而改进。