OCRBench:评估多模态大模型的OCR能力

论文地址:OCRBench: On The Hidden Mystery of OCR In Large Multimodal Models:2305.07895

OCRBench在10个文本相关任务上测评多模态大模型(LMM)的OCR能力,包含1000个问题-答案对,每个问题-答案对包含以下五个类别:index(索引),image(图片),question(问题),answer(回答),category(问题类别)。其中问题类别主要有以下内容:

任务 翻译 image(图片)示例 question(问题)示例 answer(回答)示例 任务数量
Key Information Extraction 关键信息提取 what is the total amount of this receipt? Answer this question using the text in the image directly. ['26.58'] 200
Doc-oriented VQA 面向文档的视觉问答 Whats the Venue Name? ['the halfmoon'] 200
Scene Text-centric VQA 以场景文本为中心的视觉问答 What is the title of the book? ['PENDRAGON'] 200
Handwritten Mathematical Expression Recognition 手写数学表达式识别 Please write out the expression of the formula in the image using LaTeX format. ['x = \\frac { 1 7 } { 5 }\n'] 100
Irregular Text Recognition 不规则文本识别 what is written in the image? ['COFFEE'] 50
Regular Text Recognition 规则文本识别 what is written in the image? ['CHAIN'] 50
Non-Semantic Text Recognition 非语义文本识别 what is written in the image? ['espt'] 50
Digit String Recognition 数字字符串识别 what is the number in the image? ['9557'] 50
Handwriting Recognition 手写体识别 what is written in the image? ['bread'] 50
Artistic Text Recognition 艺术文本识别 what is written in the image? ['Home'] 50
Total 总计 - - - 1000

需要注意的是,在tsv文件中,图片使用Base64编码保存。Base64 编码可将二进制图像文件(PNG、JPEG、GIF)转换为紧凑的纯文本字符串,从而直接嵌入到 HTML、CSS 或 JSON 中。

要将Base64编码转换为图片,有以下三种方式:

(1)使用在线网站:例如:Base64 转图片转换器 -- 免费在线工具箱 - DopuBOX

(2)使用脚本:

python 复制代码
import base64

# 1. 复制 Base64 编码字符串
base64_data = "/9j/4AAQSkZJRgABAQAAAQABAAD/...(完整字符串)/ALz44+gHAooA/9k="

# 2. 解码并保存为图片
with open("output.jpg", "wb") as f:
    f.write(base64.b64decode(base64_data))

print("图片已保存为 output.jpg")

(3)浏览器直接预览

在 HTML 文件中使用以下代码:

html 复制代码
<img src="data:image/jpeg;base64,/9j/4AAQSkZJRgABAQ...(完整 Base64 字符串).../9k=">

用浏览器打开该 HTML 文件即可显示图片。


说明

  • 编码类型 :该字符串是 JPEG 图片 的 Base64 编码(以 /9j/ 开头)。

  • 注意事项 :确保复制完整的编码(从 /9j/ 到结束标记 /9k=),否则转换会失败。

相关推荐
zhongtianhulian8 分钟前
中天互联:AI 重塑制造,解锁智能生产新效能
人工智能·制造
renhongxia110 分钟前
大模型赋能电子制造全生命周期质量管理的应用及实践
人工智能
Edward.W11 分钟前
如何制造一个AI Agent:从“人工智障”到“人工智能”的奇幻漂流
人工智能·制造
NingboWill19 分钟前
AI日报 - 2025年09月05日
人工智能·microsoft
SheldonChang19 分钟前
Onlyoffice集成与AI交互操作指引(Iframe版)
java·人工智能·ai·vue·onlyoffice·postmessage
云卓SKYDROID20 分钟前
无人机报警器8G信号技术解析
人工智能·无人机·航电系统·高科技·云卓科技
音视频牛哥31 分钟前
具身智能的工程落地:视频-控制闭环的实践路径
人工智能·音视频·人工智能+·具身智能rtsp方案·具身智能rtmp方案·智能机器人rtsp方案·智能机器人rtmp低延迟
GEO_JYB34 分钟前
从 MMLU 到 HumanEval:为什么评估大型语言模型(LLM)的基准至关重要?
人工智能·算法
FutureUniant36 分钟前
GitHub每日最火火火项目(9.5)
人工智能·microsoft·计算机视觉·ai·github
视觉语言导航39 分钟前
ICCV-2025 | 清华动以知景导航框架!MTU3D:连接视觉定位与探索,实现高效多样的具身导航
人工智能·具身智能