懂AI
mgp-str-base

mgp-str-base

多粒度预测的场景文本识别开源模型

MGP-STR base-sized model是一个基于ViT和A^3模块的场景文本识别开源模型。它采用多粒度预测方法，包括字符、子词和单词级别，以提高识别精度。该模型在MJSynth和SynthText数据集上训练，适用于复杂场景的OCR任务，并可方便地集成到PyTorch项目中。

计算机视觉Huggingface多粒度预测模型光学字符识别MGP-STRGithub场景文字识别开源项目
GitHubHugging Face论文文档

MGP-STR基础模型介绍

MGP-STR (Multi-Granularity Prediction for Scene Text Recognition) 是一个用于场景文本识别的先进模型。它由阿里巴巴研究院开发，并在论文《Multi-Granularity Prediction for Scene Text Recognition》中首次提出。这个基础版模型是在MJSynth和SynthText数据集上训练的。

模型架构

MGP-STR是一个纯视觉的场景文本识别模型，主要由两个核心部分组成：

  1. ViT (Vision Transformer) 模块：这部分基于DeiT-base模型初始化权重，用于处理输入图像。
  2. A^3 (Attention Alignment and Aggregation) 模块：这是专门设计的模块，用于选择和整合ViT输出的有意义token组合。

工作原理

模型的工作流程如下：

  1. 输入处理：将32x128大小的图像分割成4x4的小块，并进行线性嵌入。
  2. 位置编码：添加绝对位置嵌入信息。
  3. ViT处理：通过ViT模块处理图像信息。
  4. A^3处理：使用A^3模块从ViT输出中选择有意义的token组合，并将它们整合成对应特定字符的输出token。
  5. 多粒度预测：模型包含基于BPE和WordPiece的A^3模块，用于子词预测，从而隐式地建模语言信息。
  6. 预测融合：将字符、子词甚至单词级别的多粒度预测结果通过简单有效的策略进行融合。

使用方法

使用PyTorch可以轻松调用MGP-STR模型：

  1. 首先，导入必要的库和模型。
  2. 然后，加载预训练的处理器和模型。
  3. 准备输入图像。
  4. 使用处理器对图像进行预处理。
  5. 将处理后的图像输入模型，获取输出。
  6. 最后，使用处理器解码输出，得到生成的文本。

应用场景和局限性

MGP-STR模型主要用于文本图像的光学字符识别（OCR）。它可以应用于各种场景，如街道标识识别、文档扫描、车牌识别等。然而，用户应注意模型的性能可能会受到图像质量、文本复杂度等因素的影响。

模型贡献

MGP-STR的创新之处在于其多粒度预测方法。通过结合字符、子词和单词级别的预测，模型能够更好地理解和识别复杂的场景文本。这种方法不仅提高了识别准确率，还增强了模型对不同语言和字体的适应能力。

总的来说，MGP-STR基础模型为场景文本识别任务提供了一个强大而灵活的解决方案，为相关研究和应用开辟了新的可能性。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多