YogeLiu/TexTeller
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
c6e6622aafa5a237a4095f70d9b93c378f168418
TexTeller/assets/README_zh.md

9.1 KiB
Raw Blame History

📄 English | 中文

𝚃𝚎𝚡𝚃𝚎𝚕𝚕𝚎𝚛

🤗 Hugging Face

https://github.com/OleehyO/TexTeller/assets/56267907/fb17af43-f2a5-47ce-ad1d-101db5fd7fbb

TexTeller是一个基于ViT的端到端公式识别模型，可以把图片转换为对应的latex公式

TexTeller用了550K7.5M的图片-公式对进行训练(数据集可以在这里获取)，相比于LaTeX-OCR(使用了一个100K的数据集)，TexTeller具有更强的泛化能力以及更高的准确率，可以覆盖大部分的使用场景(扫描图片，手写公式除外)。

我们马上就会发布一个使用7.5M数据集进行训练的TexTeller checkpoint

🔄 变更信息

  • 📮[2024-03-25] TexTeller2.0发布！TexTeller2.0的训练数据增大到了7.5M(相较于TexTeller1.0增加了~15倍并且数据质量也有所改善)。训练后的TexTeller2.0在测试集中展现出了更加优越的性能，尤其在生僻符号、复杂多行、矩阵的识别场景中。

    在这里有更多的测试图片以及各家识别模型的横向对比。

  • 📮[2024-04-12] 训练了公式检测模型，从而增加了对整个文档进行公式检测+公式识别（整图推理）的功能！

🔑 前置条件

python=3.10

pytorch

Warning

只有CUDA版本>= 12.0被完全测试过，所以最好使用>= 12.0的CUDA版本

🚀 开搞

  1. 克隆本仓库:

    git clone https://github.com/OleehyO/TexTeller

  2. 安装pytorch

  3. 安装本项目的依赖包:

    pip install -r requirements.txt

  4. 进入 TexTeller/src目录，在终端运行以下命令进行推理:

     python inference.py -img "/path/to/image.{jpg,png}" 
 # use --inference-mode option to enable GPU(cuda or mps) inference
 #+e.g. python inference.py -img "./img.jpg" --inference-mode cuda
 # use -mix option to enable mixed text and formula recognition
 #+e.g. python inferene.py -img "./img.jpg" --mix

Note

第一次运行时会在hugging face上下载所需要的checkpoints

❓ 常见问题：无法连接到Hugging Face

默认情况下，会在Hugging Face中下载模型权重，如果你的远端服务器无法连接到Hugging Face，你可以通过以下命令进行加载：

  1. 安装huggingface hub包

    pip install -U "huggingface_hub[cli]"

  2. 在能连接Hugging Face的机器上下载模型权重:

    huggingface-cli download OleehyO/TexTeller --include "*.json" "*.bin" "*.txt" --repo-type model --local-dir "your/dir/path"

  3. 把包含权重的目录上传远端服务器，然后把 TexTeller/src/models/ocr_model/model/TexTeller.py中的 REPO_NAME = 'OleehyO/TexTeller'修改为 REPO_NAME = 'your/dir/path'

如果你还想在训练模型时开启evaluate，你需要提前下载metric脚本并上传远端服务器：

  1. 在能连接Hugging Face的机器上下载metric脚本

    huggingface-cli download evaluate-metric/google_bleu --repo-type space --local-dir "your/dir/path"

  2. 把这个目录上传远端服务器，并在 TexTeller/src/models/ocr_model/utils/metrics.py中把 evaluate.load('google_bleu')改为 evaluate.load('your/dir/path/google_bleu.py')

🌐 网页演示

进入 TexTeller/src 目录，运行以下命令

./start_web.sh

在浏览器里输入 http://localhost:8501就可以看到web demo

Note

对于Windows用户, 请运行 start_web.bat文件.

🧠 整图推理

TexTeller还支持对整张图片进行公式检测+公式识别，从而对整图公式进行检测，然后进行批公式识别。

下载权重

中文英文文档公式检测 [link]：在3415张中文教材数据(130+版式)和8272张IBEM数据集上，共11867张图片上训练得到

公式检测

TexTeller/src目录下运行以下命令

python infer_det.py

对整张图中的所有公式进行检测，结果保存在 TexTeller/src/subimages

公式批识别

在进行公式检测后， TexTeller/src目录下运行以下命令

python rec_infer_from_crop_imgs.py

会基于上一步公式检测的结果，对裁剪出的所有公式进行批量识别，将识别结果在 TexTeller/src/results中保存为txt文件。

📡 API调用

我们使用ray serve来对外提供一个TexTeller的API接口，通过使用这个接口，你可以把TexTeller整合到自己的项目里。要想启动server，你需要先进入 TexTeller/src目录然后运行以下命令:

python server.py
参数 描述
-ckpt 权重文件的路径，默认为TexTeller的预训练权重。
-tknz 分词器的路径，默认为TexTeller的分词器。
-port 服务器的服务端口，默认是8000。
--inference-mode 是否使用GPU(cuda或mps)推理，默认为CPU。
--num_beams beam search的beam数量，默认是1。
--num_replicas 在服务器上运行的服务副本数量，默认1个副本。你可以使用更多的副本来获取更大的吞吐量。
--ncpu_per_replica 每个服务副本所用的CPU核心数，默认为1。
--ngpu_per_replica 每个服务副本所用的GPU数量，默认为1。你可以把这个值设置成 0~1之间的数，这样会在一个GPU上运行多个服务副本来共享GPU，从而提高GPU的利用率。(注意，如果 --num_replicas 2, --ngpu_per_replica 0.7, 那么就必须要有2个GPU可用)

Note

一个客户端demo可以在 TexTeller/client/demo.py找到，你可以参考 demo.py来给server发送请求

🏋️‍♂️ 训练

数据集

我们在 TexTeller/src/models/ocr_model/train/dataset目录中提供了一个数据集的例子，你可以把自己的图片放在 images目录然后在 formulas.jsonl中为每张图片标注对应的公式。

准备好数据集后，你需要在 .../dataset/loader.py中把 DIR_URL变量改成你自己数据集的路径

重新训练分词器

如果你使用了不一样的数据集，你可能需要重新训练tokenizer来得到一个不一样的字典。配置好数据集后，可以通过以下命令来训练自己的tokenizer：

  1. 在 TexTeller/src/models/tokenizer/train.py中，修改 new_tokenizer.save_pretrained('./your_dir_name')为你自定义的输出目录

    注意：如果要用一个不一样大小的字典(默认1W个token)，你需要在 TexTeller/src/models/globals.py中修改 VOCAB_SIZE变量

  2. 在 TexTeller/src 目录下运行以下命令:

    python -m models.tokenizer.train

训练模型

要想训练模型, 你需要在 TexTeller/src目录下运行以下命令：

python -m models.ocr_model.train.train

你可以在 TexTeller/src/models/ocr_model/train/train.py中设置自己的tokenizer和checkpoint路径（请参考 train.py）。如果你使用了与TexTeller一样的架构和相同的字典，你还可以用自己的数据集来微调TexTeller的默认权重。

在 TexTeller/src/globals.py和 TexTeller/src/models/ocr_model/train/train_args.py中，你可以改变模型的架构以及训练的超参数。

Note

我们的训练脚本使用了Hugging Face Transformers库, 所以你可以参考他们提供的文档来获取更多训练参数的细节以及配置。

🚧 不足

  • 不支持扫描图片以及PDF文档识别
  • 不支持手写体公式

📅 计划

  • 使用更大的数据集来训练模型(7.5M样本，即将发布)
  • 扫描图片识别
  • PDF文档识别 + 中英文场景支持
  • 推理加速
  • ...

⭐️ 观星曲线

Stargazers over time

💖 感谢

Thanks to LaTeX-OCR which has brought me a lot of inspiration, and im2latex-100K which enriches our dataset.

👥 贡献者

Reference in New Issue View Git Blame Copy Permalink