Kokonaisvaltaisen OCR-putkiston rakentaminen Baidu Unlimited-OCR -mallilla korkearesoluutioisille kuville ja monisivuisille PDF-tiedostoille
Baidu
Tämä opetusohjelma esittelee täydellisen OCR-työnkulkurakenteen käyttäen Baidu Unlimited-OCR -mallia dokumenttikuville ja monisivuisille PDF-tiedostoille. Se kattaa GPU-ympäristön asennuksen, mallin lataamisen, yksisivuisen päätelyn Gundam- ja Base-tiloissa sekä monisivuisen PDF-tiedoston jäsentämisen PyMuPDF:n avulla.
Opas rakentaa täydellisen työnkulun Baidu Unlimited-OCR -mallille dokumenttikuville ja monisivuisille PDF-tiedostoille. Se määrittää GPU-ympäristön, asentaa riippuvuudet ja lataa 3 miljardin parametrin visio-kielimallin automaattisella tietotyypin valinnalla. Testausta varten se luo jäsenneltyjä esimerkkidokumentteja. Työnkulku arvioi sekä ruudutetun Gundam-päätelmätilan että nopeamman Base-tilan yksisivuiselle OCR:lle ennen kuin se laajenee monisivuisten PDF-tiedostojen jäsentämiseen PyMuPDF- ja infer_multi()-funktion avulla. Se säilyttää pitkän kontekstin luonti -asetukset, toiston hallinnat ja jäsennellyn tulosteen käsittelyn tiheiden asettelujen, taulukoiden, kappaleiden ja sivujen välisten sisältöjen prosessointia varten. Lopullinen lunttilappu tiivistää suositellut tilat eri dokumenttityypeille.
Lähde: MarkTechPost —
Alkuperäinen