h2ovl-mississippi-800m - 紧凑型视觉语言模型，提供出色的文本识别功能

h2ovl-mississippi-800m项目介绍

项目背景

H2OVL-Mississippi-800M是由H2O.ai开发的一款紧凑而强大的视觉-语言模型。该模型包含8亿参数，尽管体积较小，但在文本识别方面提供了最先进的性能，特别是在OCRBench的文本识别领域中，它的表现甚至超越了一些体积更大的模型。Mississippi-800M建立在H2O-Danube语言模型的坚实架构之上，通过无缝集成视觉和语言任务，扩展了其能力。

关键特性

8亿参数：在性能和效率之间取得平衡，适合用于光学字符识别（OCR）和文档处理。
训练数据：模型在1900万对图像-文本组合数据上进行训练，重点关注OCR、文档理解以及图表、图形和表格的解读，从而优化其OCR性能。

使用方法

安装依赖

要使用该模型，需要安装以下Python依赖库：

pip install transformers torch torchvision einops timm peft sentencepiece flash_attn

示例演示

下面是一些示例代码，展示了如何设置模型并进行简单的文本对话和图像文本读取：

import torch
from transformers import AutoConfig, AutoModel, AutoTokenizer

model_path = 'h2oai/h2ovl-mississippi-800m'
config = AutoConfig.from_pretrained(model_path, trust_remote_code=True)
config.llm_config._attn_implementation = 'flash_attention_2'
model = AutoModel.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    config=config,
    low_cpu_mem_usage=True,
    trust_remote_code=True).eval().cuda()
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True, use_fast=False)
generation_config = dict(max_new_tokens=2048, do_sample=True)

# 文字对话
question = 'Hello, how are you?'
response, history = model.chat(tokenizer, None, question, generation_config, history=None, return_history=True)
print(f'User: {question}\nAssistant: {response}')

# 图像文本读取
image_file = './examples/image.jpg'
question = '<image>\nRead the text in the image.'
response, history = model.chat(tokenizer, image_file, question, generation_config, history=None, return_history=True)
print(f'User: {question}\nAssistant: {response}')

性能基准

H2OVL-Mississippi-800M已在多项基准测试中验证，其具有卓越表现，尤其是在OCRBench中表现突出。

JSON提取提示工程

项目还提供了一份指南，展示了如何创建提示以提取信息并将其转换为JSON格式。指南提供了从简单信息到复杂JSON结构提取的样例，以及处理表格和图表图像数据的方法。

示例：从图像提取简单信息

假设您有一张表单图像，其中包含“姓名”、“出生日期”和“地址”。

提示：

从表单图像中提取信息并将其结构化为JSON格式：
{
    "name": "",
    "date_of_birth": "",
    "address": ""
}

预期输出：

{
  "name": "John Doe",
  "date_of_birth": "1990-01-01",
  "address": "1234 Elm Street, Springfield"
}

最佳实践

明确意图：提示中明确定义所需的键和结构以避免歧义。
使用示例：提供样本输出以帮助系统理解预期格式。
考虑变化：考虑视觉数据可能的变化，确保提示可以适应这些变化。
从简单开始：从简单结构开始，逐渐增加复杂性。
测试和迭代：通过测试细化您的提示以确保输出的准确性和一致性。

致谢

感谢InternVL团队、LLaVA团队和Monkey团队的研究和技术贡献，他们的工作为改进多模态模型提供了重要帮助。

免责声明

使用该模型需注意可能存在偏见或冒犯内容的风险，用户需自行评估生成的内容，并通过合适渠道反馈，以便改进模型。模型使用者需对因使用者的使用或误用而导致的后果承担全部责任。