Donut（基于CORD进行微调的基准尺寸模型）

Donut模型基于CORD进行微调。它在Geewok等人的论文 OCR-free Document Understanding Transformer 中首次提出，并于 this repository 中首次发布。

免责声明：发布Donut模型的团队并没有为此模型编写模型卡片，因此这个模型卡片是由Hugging Face团队编写的。

模型描述

Donut包括一个视觉编码器（Swin Transformer）和一个文本解码器（BART）。给定一张图片，编码器首先将图片编码为嵌入张量（形状为batch_size，seq_len，hidden_size），之后解码器根据编码器的编码自回归生成文本。

预期用途和限制

该模型是在CORD上进行微调的，CORD是一个文档解析数据集。

我们参考了 documentation ，其中包含了代码示例。

CORD数据集

CORD：用于后光字符识别解析的一份综合收据数据集。