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
编程武士7 分钟前
从50ms到30ms:YOLOv10部署中图像预处理的性能优化实践
人工智能·python·yolo·性能优化
max50060032 分钟前
基于Meta Llama的二语习得学习者行为预测计算模型
人工智能·算法·机器学习·分类·数据挖掘·llama
月疯1 小时前
OPENCV摄像头读取视频
人工智能·opencv·音视频
极客天成ScaleFlash2 小时前
极客天成让统一存储从云原生‘进化’到 AI 原生: 不是版本升级,而是基因重组
人工智能·云原生
王哥儿聊AI2 小时前
Lynx:新一代个性化视频生成模型,单图即可生成视频,重新定义身份一致性与视觉质量
人工智能·算法·安全·机器学习·音视频·软件工程
_pinnacle_2 小时前
打开神经网络的黑箱(三) 卷积神经网络(CNN)的模型逻辑
人工智能·神经网络·cnn·黑箱·卷积网络
Ada's2 小时前
深度学习在自动驾驶上应用(二)
人工智能·深度学习·自动驾驶
张较瘦_3 小时前
[论文阅读] 人工智能 + 软件工程 | 从“人工扒日志”到“AI自动诊断”:LogCoT框架的3大核心创新
论文阅读·人工智能·软件工程
lisw053 小时前
连接蓝牙时“无媒体信号”怎么办?
人工智能·机器学习·微服务
扫地的小何尚3 小时前
深度解析 CUDA-QX 0.4 加速 QEC 与求解器库
人工智能·语言模型·llm·gpu·量子计算·nvidia·cuda