模型卡片：detr-doc-table-detection

模型详情

detr-doc-table-detection 是一个基于 facebook/detr-resnet-50 训练的模型，用于检测文档中的有边框表格和无边框表格。

• 开发者： Taha Douaji
• 分享者 [可选]： Taha Douaji
• 模型类型： 目标检测
• 语言 (NLP)： 需要更多信息
• 许可证： 需要更多信息
• 父模型： facebook/detr-resnet-50
• 更多资源：
  • 模型演示 Space
  • 相关论文

用途

直接使用

该模型可用于目标检测任务。

超出范围的使用

该模型不应被用于故意为人们创建敌对或排斥的环境。

偏见、风险和局限性

大量研究已探索了语言模型中的偏见和公平性问题（参见 Sheng et al. (2021) 和 Bender et al. (2021)）。模型生成的预测可能包含针对受保护类别、身份特征以及敏感、社会和职业群体的令人不安的有害刻板印象。

建议

应让用户（直接用户和下游用户）了解该模型的风险、偏见和局限性。需要更多信息以提供进一步建议。

训练详情

训练数据

该模型在 ICDAR2019 Table Dataset 数据集上训练。

环境影响

碳排放可以使用 Machine Learning Impact 计算器（参见 Lacoste et al. (2019)）进行估算。

引用

BibTeX:

@article{DBLP:journals/corr/abs-2005-12872,
  author    = {Nicolas Carion and
               Francisco Massa and
               Gabriel Synnaeve and
               Nicolas Usunier and
               Alexander Kirillov and
               Sergey Zagoruyko},
  title     = {End-to-End Object Detection with Transformers},
  journal   = {CoRR},
  volume    = {abs/2005.12872},
  year      = {2020},
  url       = {https://arxiv.org/abs/2005.12872},
  archivePrefix = {arXiv},
  eprint    = {2005.12872},
  timestamp = {Thu, 28 May 2020 17:38:09 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2005-12872.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

模型卡片作者 [可选]

Taha Douaji 与 Ezo Ozoani 和 Hugging Face 团队合作

模型卡片联系

需要更多信息

如何开始使用模型

使用以下代码开始使用模型。

from transformers import DetrImageProcessor, DetrForObjectDetection
import torch
from PIL import Image
import requests

image = Image.open("IMAGE_PATH")

processor = DetrImageProcessor.from_pretrained("TahaDouaji/detr-doc-table-detection")
model = DetrForObjectDetection.from_pretrained("TahaDouaji/detr-doc-table-detection")

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)

# 将输出（边界框和类别逻辑回归）转换为 COCO API
# 只保留置信度 > 0.9 的检测结果
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.9)[0]

for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
    box = [round(i, 2) for i in box.tolist()]
    print(
            f"检测到 {model.config.id2label[label.item()]}，置信度 "
            f"{round(score.item(), 3)}，位置 {box}"
    )