我要投稿

基于Qwen2多模态大模型构建的开源OCR项目

发布日期：2024-10-09 19:53:06 浏览次数： 1606 来源：极客开源

GOT-OCR2.0 是一个基于 QWen2 0.5B 模型的开源项目，项目核心是开发了一个统一的端到端模型，旨在推动 OCR 技术进入2.0时代。

获取 GOT-OCR2.0 在线体验地址、模型下载地址，关注?公众号 极客开源 在后台回复 OCR2.0 关键词。

这个只有 580M 参数的 OCR 模型，拿到了 BLEU 0.972 分数，而且模型大小只有 1G 多，在一般配置的本地机器上运行也不是问题。

从测试效果来看性能也很不错，支持识别普通文档、场景文档、格式化文档等多种多样的文本内容。

普通文本的训练数据中主要使用中文 CASIA-HWDB2 和英文 IAM 数据集，所以该模型对中英文内容的识别效果会比较好。

格式化文档的训练数包括了：数学公式、化学分子式、表格数据、PDF 整页数据，以及更有难度的乐谱、几何形状、图表，得益于多模型大模型的加持，GOT 模型可以处理更多种类的任务。

模型架构层面，GOT 由三个模块组成，图像编码器、线性层和输出解码器。线性层充当连接器，在视觉编码器和语言解码器之间映射通道维度。

利用三个主要步骤来优化整个 GOT 模型。

首先，执行纯文本识别任务，对视觉编码器进行预训练。为了提高训练效率并节省 GPU 资源，GOT 选择了一个微型解码器将梯度传递给编码器。在这个阶段，把包含场景文本的图像和包含文档级字符的手动图像馈送到模型中，以允许编码器收集两种最常用的字符的编码能力。

在下一阶段，通过将经过训练的视觉编码器连接到一个新的更大的解码器来形成 GOT 的架构。

在最后阶段将会进一步提高 GOT 的泛化和适用性。具体来说，为 GOT 生成和添加细粒度和多裁剪/页面合成数据，以支持区域提示 OCR、大图像 OCR 和批量 PDF OCR 功能。

OCR-2.0 模型在结构上比 OCR-1.0 的系统要简单，比多模型大语言模型更侧重于纯 OCR 任务，并且具有卓越的性能；并且 OCR-2.0 将各种 Pan-OCR 任务集成到一个模型中，在模型设计、数据工程和应用场景方面具有有价值的研究方向。

获取更多生成式 AI 大模型相关开源项目可以关注?公众号 极客开源 ，获取上文提到的 OCR 在线体验地址、开源仓库和模型下载地址，在后台回复 OCR2.0 关键词。

53AI，企业落地应用大模型首选服务商

产品：大模型应用平台+智能体定制开发+落地咨询服务

承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业

160+中大型企业正在使用53AI

立即咨询预约演示

百度智能云邀53AI：共创AI新纪元，启航智能新时代

2024-05-27

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

2024-05-22

热点资讯

Text2SQL新体验 — 腾讯音乐开源的ChatBI框架

2024-06-17

手把手教你构建基于知识图谱的GraphRAG之结构化数据篇【LangChain+Neo4j】

2024-07-11

Flowise AI 工作流进阶: 常用组件介绍+连 Notion 做知识库

2024-06-17

面壁小钢炮 MiniCPM-V 2.6 部署指南

2024-08-06

深入解析Llama 3：开发者如何充分利用这一开源大模型

2024-04-21

Qwen2-VL 全链路模型体验、下载、推理、微调实战！

2024-08-30

作为微软开源的全新架构，Florence-2 以其小巧的体积、炸裂的性能以及对多任务的统一处理方式，在视觉理解领域掀起了一阵旋风

2024-06-26

绘梦有形，快手开源「可图 Kolors」，等你来玩

2024-07-11

GPT-4 和 GPT-4o的主要区别

2024-09-12

llm+funasr+tts，diy大模型语音助手，一个自己控制的siri，保姆教程

2024-07-15

大家都在问

大模型能做对数学题吗？

2024-09-26

实测豆包AI视频模型Seaweed，击败Sora的含金量到底有多少？

2024-09-26

多模态大模型中，多模态融合后怎样知道最终结果受哪种模态影响更大？

2024-09-01

AIQ Interview：面试的智面星

2024-07-31

KG+大模型用于生物医学研究设计思路–HeCiX：兼看多模态实体链接框架思路UniMEL

2024-07-25

MicroAgent：这个AI智能体一键写代码并且自动测试！它比 Aider 更好吗？（Ollama）

2024-07-19

llm+funasr+tts，diy大模型语音助手，一个自己控制的siri，保姆教程

2024-07-15

从AIGC短剧到金融、零售应用，视频生成大模型价值几何？

2024-07-15

开箱即用的企业大模型应用平台

工作+AI

业务+AI

AIx业务

大模型咨询

大模型定制

相关资讯

160+中大型企业正在使用53AI

百度智能云邀53AI：共创AI新纪元，启航智能新时代

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

热点资讯

Text2SQL新体验 — 腾讯音乐开源的ChatBI框架

手把手教你构建基于知识图谱的GraphRAG之结构化数据篇【LangChain+Neo4j】

Flowise AI 工作流进阶: 常用组件介绍+连 Notion 做知识库

面壁小钢炮 MiniCPM-V 2.6 部署指南

深入解析Llama 3：开发者如何充分利用这一开源大模型

Qwen2-VL 全链路模型体验、下载、推理、微调实战！

作为微软开源的全新架构，Florence-2 以其小巧的体积、炸裂的性能以及对多任务的统一处理方式，在视觉理解领域掀起了一阵旋风

绘梦有形，快手开源「可图 Kolors」，等你来玩

GPT-4 和 GPT-4o的主要区别

llm+funasr+tts，diy大模型语音助手，一个自己控制的siri，保姆教程

大家都在问

大模型能做对数学题吗？

实测豆包AI视频模型Seaweed，击败Sora的含金量到底有多少？

多模态大模型中，多模态融合后怎样知道最终结果受哪种模态影响更大？

AIQ Interview：面试的智面星

KG+大模型用于生物医学研究设计思路–HeCiX：兼看多模态实体链接框架思路UniMEL

MicroAgent：这个AI智能体一键写代码并且自动测试！它比 Aider 更好吗？（Ollama）

llm+funasr+tts，diy大模型语音助手，一个自己控制的siri，保姆教程

从AIGC短剧到金融、零售应用，视频生成大模型价值几何？

热门标签