MGP-STR
概述
MGP-STR 模型由 Peng Wang、Cheng Da 和 Cong Yao 在 用于场景文本识别的多粒度预测 中提出。MGP-STR 是一个概念上简单但强大的视觉场景文本识别 (STR) 模型，它建立在 Vision Transformer (ViT) 之上。为了整合语言知识，提出了多粒度预测 (MGP) 策略，以隐式方式将来自语言模态的信息注入到模型中。
以下是论文的摘要
多年来，场景文本识别 (STR) 一直是计算机视觉领域一个活跃的研究课题。为了解决这个具有挑战性的问题，人们相继提出了许多创新方法，并且将语言知识融入 STR 模型最近已成为一种突出的趋势。在这项工作中，我们首先从 Vision Transformer (ViT) 的最新进展中获得灵感，构建了一个概念上简单但功能强大的视觉 STR 模型，该模型建立在 ViT 之上，并且在场景文本识别方面优于之前的最先进模型，包括纯视觉模型和语言增强方法。为了整合语言知识，我们进一步提出了一种多粒度预测策略，以隐式方式将来自语言模态的信息注入到模型中，即，除了传统的字符级表示之外，在输出空间中引入了自然语言处理 (NLP) 中广泛使用的子词表示（BPE 和 WordPiece），而没有采用独立的语言模型 (LM)。由此产生的算法（称为 MGP-STR）能够将 STR 的性能推向更高水平。具体而言，它在标准基准测试中实现了 93.35% 的平均识别准确率。
MGP-STR 架构。取自原始论文。MGP-STR 在两个合成数据集 MJSynth (MJ) 和 SynthText (ST) 上进行训练，而无需在其他数据集上进行微调。它在六个标准拉丁场景文本基准测试中取得了最先进的结果，包括 3 个常规文本数据集（IC13、SVT、IIIT）和 3 个不规则数据集（IC15、SVTP、CUTE）。此模型由 yuekun 贡献。原始代码可以在这里找到。
推理示例
MgpstrModel 接受图像作为输入，并生成三种类型的预测，这些预测代表不同粒度的文本信息。这三种类型的预测融合在一起，给出最终的预测结果。
ViTImageProcessor 类负责预处理输入图像，MgpstrTokenizer 将生成的字符 tokens 解码为目标字符串。MgpstrProcessor 将 ViTImageProcessor 和 MgpstrTokenizer 封装到一个实例中，以同时提取输入特征并解码预测的 token id。
- 逐步光学字符识别 (OCR)
>>> from transformers import MgpstrProcessor, MgpstrForSceneTextRecognition
>>> import requests
>>> from PIL import Image
>>> processor = MgpstrProcessor.from_pretrained('alibaba-damo/mgp-str-base')
>>> model = MgpstrForSceneTextRecognition.from_pretrained('alibaba-damo/mgp-str-base')
>>> # load image from the IIIT-5k dataset
>>> url = "https://i.postimg.cc/ZKwLg2Gw/367-14.png"
>>> image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
>>> pixel_values = processor(images=image, return_tensors="pt").pixel_values
>>> outputs = model(pixel_values)
>>> generated_text = processor.batch_decode(outputs.logits)['generated_text']MgpstrConfig
class transformers.MgpstrConfig
< source >( image_size = [32, 128] patch_size = 4 num_channels = 3 max_token_length = 27 num_character_labels = 38 num_bpe_labels = 50257 num_wordpiece_labels = 30522 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 mlp_ratio = 4.0 qkv_bias = True distilled = False layer_norm_eps = 1e-05 drop_rate = 0.0 attn_drop_rate = 0.0 drop_path_rate = 0.0 output_a3_attentions = False initializer_range = 0.02 **kwargs )
参数
- image_size (
List[int], 可选, 默认为[32, 128]) — 每个图像的大小（分辨率）。 - patch_size (
int, 可选, 默认为 4) — 每个 patch 的大小（分辨率）。 - num_channels (
int, 可选, 默认为 3) — 输入通道数。 - max_token_length (
int, 可选, 默认为 27) — 输出 tokens 的最大数量。 - num_character_labels (
int, 可选, 默认为 38) — 字符 head 的类别数。 - num_bpe_labels (
int, 可选, 默认为 50257) — bpe head 的类别数。 - num_wordpiece_labels (
int, 可选, 默认为 30522) — wordpiece 头部 的类别数量。 - hidden_size (
int, 可选, 默认为 768) — 嵌入维度。 - num_hidden_layers (
int, 可选, 默认为 12) — Transformer 编码器中隐藏层的数量。 - num_attention_heads (
int, 可选, 默认为 12) — Transformer 编码器中每个注意力层的注意力头数。 - mlp_ratio (
float, 可选, 默认为 4.0) — mlp 隐藏层维度与嵌入维度的比率。 - qkv_bias (
bool, 可选, 默认为True) — 是否向 queries, keys 和 values 添加偏置。 - distilled (
bool, 可选, 默认为False) — 模型是否包含像 DeiT 模型中的蒸馏 token 和头部。 - layer_norm_eps (
float, 可选, 默认为 1e-05) — 层归一化层使用的 epsilon 值。 - drop_rate (
float, 可选, 默认为 0.0) — 嵌入层、编码器中所有全连接层的 dropout 概率。 - attn_drop_rate (
float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。 - drop_path_rate (
float, 可选, 默认为 0.0) — 随机深度比率。 - output_a3_attentions (
bool, 可选, 默认为False) — 模型是否应返回 A^3 模块的注意力。 - initializer_range (
float, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。
这是用于存储 MgpstrModel 配置的配置类。它用于根据指定的参数实例化 MGP-STR 模型，定义模型架构。使用默认值实例化配置将产生与 MGP-STR alibaba-damo/mgp-str-base 架构类似的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请阅读 PretrainedConfig 的文档。
示例
>>> from transformers import MgpstrConfig, MgpstrForSceneTextRecognition
>>> # Initializing a Mgpstr mgp-str-base style configuration
>>> configuration = MgpstrConfig()
>>> # Initializing a model (with random weights) from the mgp-str-base style configuration
>>> model = MgpstrForSceneTextRecognition(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configMgpstrTokenizer
class transformers.MgpstrTokenizer
< source >( vocab_file unk_token = '[GO]' bos_token = '[GO]' eos_token = '[s]' pad_token = '[GO]' **kwargs )
参数
- vocab_file (
str) — 词汇表文件的路径。 - unk_token (
str, 可选, 默认为"[GO]") — 未知 token。词汇表中没有的 token 无法转换为 ID，而是设置为此 token。 - bos_token (
str, 可选, 默认为"[GO]") — 序列开始 token。 - eos_token (
str, 可选, 默认为"[s]") — 序列结束 token。 - pad_token (
str或tokenizers.AddedToken, 可选, 默认为"[GO]") — 一种用于使 token 数组大小相同的特殊 token，以便进行批量处理。然后会被注意力机制或损失计算忽略。
构建 MGP-STR 字符 tokenizer。
此 tokenizer 继承自 PreTrainedTokenizer，其中包含大多数主要方法。用户应参考此超类以获取有关这些方法的更多信息。
MgpstrProcessor
class transformers.MgpstrProcessor
< source >( image_processor = None tokenizer = None **kwargs )
参数
- image_processor (
ViTImageProcessor, 可选) —ViTImageProcessor的实例。图像处理器是必需的输入。 - tokenizer (MgpstrTokenizer, 可选) — tokenizer 是必需的输入。
构建 MGP-STR processor，它将图像处理器和 MGP-STR tokenizer 包装到单个处理器中
MgpstrProcessor 提供 ViTImageProcessor 和 MgpstrTokenizer 的所有功能。有关更多信息，请参见 call() 和 batch_decode() 。
在正常模式下使用时，此方法将其所有参数转发给 ViTImageProcessor 的 call() 方法，并返回其输出。如果 text 不是 None，此方法还会将 text 和 kwargs 参数转发给 MgpstrTokenizer 的 call() 方法，以编码文本。 有关更多信息，请参阅上述方法的文档字符串。
batch_decode
< source >( sequences ) → Dict[str, any]
通过调用 decode 将令牌 ID 列表转换为字符串列表。
此方法将其所有参数转发给 PreTrainedTokenizer 的 batch_decode() 方法。 有关更多信息，请参阅此方法的文档字符串。
MgpstrModel
class transformers.MgpstrModel
< source >( config: MgpstrConfig )
参数
- config (MgpstrConfig) — 带有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
裸机 MGP-STR 模型 Transformer，输出原始隐藏状态，顶部没有任何特定的 Head。此模型是 PyTorch torch.nn.Module 子类。 可将其用作常规 PyTorch 模块，并参阅 PyTorch 文档，了解与通用用法和行为相关的所有事项。
forward
< source >( pixel_values: FloatTensor output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None )
参数
- pixel_values (
torch.FloatTensor，形状为(batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。 有关详细信息，请参阅 ViTImageProcessor.call()。 - output_attentions (
bool, 可选) — 是否返回所有注意力层的注意力张量。 有关更多详细信息，请参见返回张量下的attentions。 - output_hidden_states (
bool, 可选) — 是否返回所有层的隐藏状态。 有关更多详细信息，请参见返回张量下的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是纯元组。
MgpstrModel forward 方法，覆盖了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但之后应调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。
MgpstrForSceneTextRecognition
class transformers.MgpstrForSceneTextRecognition
< source >( config: MgpstrConfig )
参数
- config (MgpstrConfig) — 带有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
MGP-STR 模型 Transformer，顶部带有三个分类 Head（三个 A^3 模块和 Transformer 编码器输出顶部的三个线性层），用于场景文本识别 (STR)。
此模型是 PyTorch torch.nn.Module 子类。 可将其用作常规 PyTorch 模块，并参阅 PyTorch 文档，了解与通用用法和行为相关的所有事项。
forward
< source >( pixel_values: FloatTensor output_attentions: Optional = None output_a3_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.models.mgp_str.modeling_mgp_str.MgpstrModelOutput or tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor，形状为(batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。 有关详细信息，请参阅 ViTImageProcessor.call()。 - output_attentions (
bool, 可选) — 是否返回所有注意力层的注意力张量。 有关更多详细信息，请参见返回张量下的attentions。 - output_hidden_states (
bool, 可选) — 是否返回所有层的隐藏状态。 有关更多详细信息，请参见返回张量下的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是纯元组。 - output_a3_attentions (
bool, 可选) — 是否返回 a3 模块的注意力张量。 有关更多详细信息，请参见返回张量下的a3_attentions。
返回值
transformers.models.mgp_str.modeling_mgp_str.MgpstrModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.mgp_str.modeling_mgp_str.MgpstrModelOutput 或 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），其中包含各种元素，具体取决于配置 (<class 'transformers.models.mgp_str.configuration_mgp_str.MgpstrConfig'>) 和输入。
-
logits (
tuple(torch.FloatTensor)，形状为(batch_size, config.num_character_labels)) —torch.FloatTensor元组（一个用于字符输出，形状为(batch_size, config.max_token_length, config.num_character_labels)，+ 一个用于 bpe 输出，形状为(batch_size, config.max_token_length, config.num_bpe_labels)，+ 一个用于 wordpiece 输出，形状为(batch_size, config.max_token_length, config.num_wordpiece_labels)）。字符、bpe 和 wordpiece 的分类分数（在 SoftMax 之前）。
-
hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor元组（一个用于嵌入的输出，如果模型具有嵌入层，+ 每个层的输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出端的隐藏状态，加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor元组（每层一个），形状为(batch_size, config.max_token_length, sequence_length, sequence_length)。注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。
-
a3_attentions (
tuple(torch.FloatTensor), 可选, 当传递output_a3_attentions=True或当config.output_a3_attentions=True时返回) —torch.FloatTensor元组（一个用于字符注意力，+ 一个用于 bpe 注意力，+ 一个用于 wordpiece 注意力），形状为(batch_size, config.max_token_length, sequence_length)`。注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。
MgpstrForSceneTextRecognition forward 方法，覆盖了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但之后应调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。
示例
>>> from transformers import (
... MgpstrProcessor,
... MgpstrForSceneTextRecognition,
... )
>>> import requests
>>> from PIL import Image
>>> # load image from the IIIT-5k dataset
>>> url = "https://i.postimg.cc/ZKwLg2Gw/367-14.png"
>>> image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
>>> processor = MgpstrProcessor.from_pretrained("alibaba-damo/mgp-str-base")
>>> pixel_values = processor(images=image, return_tensors="pt").pixel_values
>>> model = MgpstrForSceneTextRecognition.from_pretrained("alibaba-damo/mgp-str-base")
>>> # inference
>>> outputs = model(pixel_values)
>>> out_strs = processor.batch_decode(outputs.logits)
>>> out_strs["generated_text"]
'["ticket"]'