TrOCR（基础尺寸模型，在IAM上进行了微调）

TrOCR模型在 IAM dataset 上进行了微调。它是由Li等人在 this repository 中提出的，并在 this repository 首次发布。

声明：发布TrOCR的团队未为此模型编写模型卡片，因此此模型卡片是由Hugging Face团队编写的。

模型描述

TrOCR模型是一个编码器-解码器模型，由图像Transformer作为编码器和文本Transformer作为解码器组成。图像编码器的权重是从BEiT的权重初始化而来，而文本解码器则是从RoBERTa的权重初始化而来。

将图像作为固定大小的补丁序列（分辨率为16x16）呈现给模型，然后将其线性嵌入。在将序列馈送到Transformer编码器的层之前，还会添加绝对位置嵌入。接下来，Transformer文本解码器会自回归地生成标记。

预期用途和限制

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）。查看 model hub 以查找您感兴趣的任务上进行微调的版本。

如何使用

以下是如何在PyTorch中使用此模型的方法：

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-handwritten')
model = VisionEncoderDecoderModel.from_pretrained('microsoft/trocr-base-handwritten')
pixel_values = processor(images=image, return_tensors="pt").pixel_values

generated_ids = model.generate(pixel_values)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

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}
}