CV之OCR：GOT-OCR2.0的简介、安装和使用方法、案例应用之详细攻略
目录
GOT-OCR2.0的简介
1、更新
GOT-OCR2.0的安装和使用方法
1、安装
安装环境cuda11.8+torch2.0.1
安装包
安装Flash-Attention
GOT权重：1.43G
2、演示
3、训练
4、评估
GOT-OCR2.0的案例应用
[1、使用 NVIDIA GPU 上的 Huggingface transformers 进行推理](#1、使用 NVIDIA GPU 上的 Huggingface transformers 进行推理)
T2、在线测试
GOT-OCR2.0的简介
GOT-OCR2.0 是一款通用光学字符识别（OCR）理论的官方代码实现，旨在通过一个统一的端到端模型推进 OCR-2.0 的发展。
GOT-OCR2.0 提供了一种新的 OCR 解决方案，整合了最新的技术和理论，以提升文本识别的准确性和效率。该项目是基于 Huggingface 平台的 GPU 资源支持，并已在多个平台上开源。特点如下：
>> 统一端到端模型：整合多个模块于一体，提高整体识别精度。
>> 多种 OCR 类型支持：支持普通文本、格式化文本、细粒度 OCR、多裁剪和多页面 OCR 等。
>> 高效推理与训练：提供了高效的训练和推理代码，能够在有限的硬件资源上运行。
>> 开源与社区支持：代码、权重和基准测试已开源，鼓励社区进行进一步开发和应用。
该项目旨在通过创新的架构和方法，提升 OCR 技术的性能和应用范围。
GitHub地址 ：GitHub - Ucas-HaoranWei/GOT-OCR2.0: Official code implementation of General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model
1、更新
2024/9/14\] 我们发布了官方演示。非常感谢Huggingface提供的GPU资源。
\[2024/9/13\] 我们发布了Huggingface部署。
\[2024/9/03\] 我们开源了代码、权重和基准测试。论文可以在该仓库中找到。我们也已将其提交至Arxiv。
\[2024/9/03\] 我们发布了OCR-2.0模型GOT！
使用与许可声明：数据、代码及检查点仅供研究用途，并且仅限于遵循Vary许可协议的使用。
## **GOT-OCR2.0的安装和使用方法**
### ******1、**** ****安装******
#### ******安装**** ****环境cuda11.8+torch2.0.1******
克隆此仓库并导航到GOT文件夹
git clone https://github.com/Ucas-HaoranWei/GOT-OCR2.0.git
cd 'the GOT folder'
#### ******安装包******
conda create -n got python=3.10 -y
conda activate got
pip install -e .
#### ******安装Flash-Attention******
pip install ninja
pip install flash-attn --no-build-isolation
#### ******GOT权重：1.43G******
* [Huggingface](https://huggingface.co/ucaslcl/GOT-OCR2_0 "Huggingface")
* [Google Drive](https://drive.google.com/drive/folders/1OdDtsJ8bFJYlNUzCQG4hRkUL6V-qBQaN?usp=sharing "Google Drive")
* [BaiduYun](https://pan.baidu.com/s/1G4aArpCOt6I_trHv_1SE2g "BaiduYun") code: OCR2
### ******2、**** ****演示******
纯文本OCR：
python3 GOT/demo/run_ocr_2.0.py --model-name /GOT_weights/ --image-file /an/image/file.png --type ocr
格式化文本OCR：
python3 GOT/demo/run_ocr_2.0.py --model-name /GOT_weights/ --image-file /an/image/file.png --type format
细粒度OCR：
python3 GOT/demo/run_ocr_2.0.py --model-name /GOT_weights/ --image-file /an/image/file.png --type format/ocr --box [x1,y1,x2,y2]
python3 GOT/demo/run_ocr_2.0.py --model-name /GOT_weights/ --image-file /an/image/file.png --type format/ocr --color red/green/blue
多裁剪OCR：
python3 GOT/demo/run_ocr_2.0_crop.py --model-name /GOT_weights/ --image-file /an/image/file.png
多页OCR（图片路径包含多个.png文件）：
python3 GOT/demo/run_ocr_2.0_crop.py --model-name /GOT_weights/ --image-file /images/path/ --multi-page
渲染格式化的OCR结果：
python3 GOT/demo/run_ocr_2.0.py --model-name /GOT_weights/ --image-file /an/image/file.png --type format --render
注意：渲染结果可以在/results/demo.html中找到。
请打开demo.html查看结果。
### ******3、**** ****训练******
示例训练可以在这里找到。请注意，'conversations'-'human'-'value'中的'\'是必需的！
本代码库只支持基于我们的GOT权重进行后期训练（阶段2/阶段3）。
如果你想按照论文中描述的从阶段1开始训练，你需要这个仓库。
deepspeed /GOT-OCR-2.0-master/GOT/train/train_GOT.py \
--deepspeed /GOT-OCR-2.0-master/zero_config/zero2.json --model_name_or_path /GOT_weights/ \
--use_im_start_end True \
--bf16 True \
--gradient_accumulation_steps 2 \
--evaluation_strategy "no" \
--save_strategy "steps" \
--save_steps 200 \
--save_total_limit 1 \
--weight_decay 0. \
--warmup_ratio 0.001 \
--lr_scheduler_type "cosine" \
--logging_steps 1 \
--tf32 True \
--model_max_length 8192 \
--gradient_checkpointing True \
--dataloader_num_workers 8 \
--report_to none \
--per_device_train_batch_size 2 \
--num_train_epochs 1 \
--learning_rate 2e-5 \
--datasets pdf-ocr+scence \
--output_dir /your/output/path
注意：
更改constant.py中的相应数据信息。
将conversation_dataset_qwen.py第37行更改为你的data_name。
### ******4、**** ****评估******
我们使用Fox和OneChart基准测试，其他基准测试可以在权重下载链接中找到。
评估代码可以在GOT/eval中找到。
你可以使用evaluate_GOT.py来运行评估。如果你有8个GPU，--num-chunks可以设置为8。
python3 GOT/eval/evaluate_GOT.py --model-name /GOT_weights/ --gtfile_path xxxx.json --image_path /image/path/ --out_path /data/eval_results/GOT_mathpix_test/ --num-chunks 8 --datatype OCR
## **GOT-OCR2.0的案例应用**
持续更新中......
### 1、使用 NVIDIA GPU 上的 Huggingface transformers 进行推理
要求在 Python 3.10 上进行测试
torch==2.0.1
torchvision==0.15.2
transformers==4.37.2
tiktoken==0.6.0
verovio==4.3.1
accelerate==0.28.0
```python
from transformers import AutoModel, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained('ucaslcl/GOT-OCR2_0', trust_remote_code=True)
model = AutoModel.from_pretrained('ucaslcl/GOT-OCR2_0', trust_remote_code=True, low_cpu_mem_usage=True, device_map='cuda', use_safetensors=True, pad_token_id=tokenizer.eos_token_id)
model = model.eval().cuda()
# input your test image
image_file = 'xxx.jpg'
# plain texts OCR
res = model.chat(tokenizer, image_file, ocr_type='ocr')
# format texts OCR:
# res = model.chat(tokenizer, image_file, ocr_type='format')
# fine-grained OCR:
# res = model.chat(tokenizer, image_file, ocr_type='ocr', ocr_box='')
# res = model.chat(tokenizer, image_file, ocr_type='format', ocr_box='')
# res = model.chat(tokenizer, image_file, ocr_type='ocr', ocr_color='')
# res = model.chat(tokenizer, image_file, ocr_type='format', ocr_color='')
# multi-crop OCR:
# res = model.chat_crop(tokenizer, image_file, ocr_type='ocr')
# res = model.chat_crop(tokenizer, image_file, ocr_type='format')
# render the formatted OCR results:
# res = model.chat(tokenizer, image_file, ocr_type='format', render=True, save_render_file = './demo.html')
print(res)
```
### ******T2、在线测试******
****地址**** ：[https://huggingface.co/spaces/stepfun-ai/GOT_official_online_demo](https://huggingface.co/spaces/stepfun-ai/GOT_official_online_demo "https://huggingface.co/spaces/stepfun-ai/GOT_official_online_demo")
