ViTLP
文档智能的视觉引导生成文本布局预训练模型
0
- • 原生OCR文本定位和识别：ViTLP能够直接在文档图像上进行文本的定位和识别。
- • 预训练模型ViTLP-medium：提供了一个预训练的模型，拥有380M参数，能够在有限的计算资源下提供较好的性能。
- • 快速推理速度：在Nvidia 4090上，ViTLP能够快速处理文档图像，推理速度在5到10秒内完成一页文档图像的处理。
- • Huggingface平台支持：ViTLP模型的预训练权重可以在Huggingface平台上找到，方便用户下载和使用。
- • 易于集成和使用：通过提供的代码和指令，用户可以轻松地将ViTLP集成到自己的项目中。
- • 支持批量解码：通过提供的decode.sh脚本，用户可以进行批量文档图像的解码处理。
- • 适用于文档智能处理：ViTLP特别适合需要文档图像文本检测和识别的场景，如自动化文档处理、档案数字化等。
产品详情
ViTLP是一个视觉引导的生成文本布局预训练模型，旨在提高文档智能处理的效率和准确性。该模型结合了OCR文本定位和识别功能，能够在文档图像上进行快速准确的文本检测和识别。ViTLP模型的预训练版本ViTLP-medium（380M参数）在计算资源和预训练数据集规模的限制下，提供了一个平衡的解决方案，既保证了模型的性能，又优化了推理速度和内存使用。ViTLP的推理速度在Nvidia 4090上处理一页文档图像通常在5到10秒内，与大多数OCR引擎相比具有竞争力。
