# UnlimitedOcr ## Обзор Модель UnlimitedOcr была предложена в работе [Unlimited OCR Works](https://huggingface.co/papers/2606.23050) авторами Youyang Yin, Huanhuan Liu, Qunyi Xie, Chaorun Liu, Shiqi Yang, Shaohua Wang, Zhanlong Liu, Hao Zou, Jinyue Chen, Shu Wei, Jingjing Wu, Mingxin Huang, Zhen Wu, Guibin Wang, Tengyu Du и Lei Jia из компании Baidu Inc. Это модель с 3 млрд параметров и стандартной длиной контекста 32 768 токенов. Аннотация из статьи следующая: *Недавно модели OCR с обучением end-to-end, в частности DeepSeek OCR, вновь привлекли к себе внимание. Распространённое мнение состоит в том, что использование большой языковой модели (LLM) в качестве декодера позволяет модели опираться на априорное распределение языка, что приводит к улучшению качества OCR. Однако недостатки также очевидны: по мере увеличения длины выходной последовательности накопленный KV-кэш увеличивает потребление памяти и постепенно замедляет генерацию. Это резко контрастирует с поведением человека, который не демонстрирует снижения эффективности при длительных задачах копирования. В данном техническом отчёте мы предлагаем Unlimited OCR — модель, спроектированную для эмуляции рабочей памяти человека при разборе текста. Используя DeepSeek OCR в качестве базовой модели, мы заменяем все слои внимания в декодере на предложенное нами Reference Sliding Window Attention (R-SWA), которое снижает вычислительные затраты на внимание, сохраняя при этом постоянный размер KV-кэша на протяжении всего процесса декодирования. Благодаря сочетанию высокой степени сжатия энкодера DeepSeek OCR с нашим дизайном постоянного KV-кэша, Unlimited OCR способна транскрибировать десятки страниц документов за один прямой проход при стандартной максимальной длине 32K. Более того, R-SWA является универсальным механизмом внимания для разбора текста — помимо OCR он одинаково применим к таким задачам, как ASR, перевод и т. д. Код и веса модели доступны по адресу http://github.com/baidu/Unlimited-OCR* Unlimited-OCR поддерживает две конфигурации инференса: режим по умолчанию "gundam" использует тайлы 640x640 с динамическим кадрированием для документов высокого разрешения, а режим "base" использует единый глобальный вид 1024x1024 для входных данных стандартного разрешения. Чтобы включить режим base, установите `crop_to_patches=False` в процессоре или передайте его через `processor_kwargs` при использовании [apply_chat_template()](/docs/transformers/main/ru/main_classes/processors#transformers.ProcessorMixin.apply_chat_template). Визуальная башня следует двухэтапному подходу из [DeepSeek-OCR-2](./deepseek_ocr2): энкодер SAM ViT-B передаёт данные в энкодер CLIP ViT. В отличие от DeepSeek-OCR-2, признаки CLIP дополнительно конкатенируются с признаками SAM для получения финальных токенов изображения. Unlimited-OCR также исключает обучаемые patch-запросы из DeepSeek-OCR-2. Текстовая модель идентична DeepSeek-OCR-2, но дополнена механизмом Reference Sliding Window Attention (R-SWA). R-SWA применяется только к сгенерированным токенам. Все токены изображения и промпта остаются полностью видимыми на протяжении всего декодирования, поэтому длинные документы не теряют контекст из предыдущих страниц. Эта модель была добавлена пользователем [guarin](https://huggingface.co/guarin). Исходный код можно найти [здесь](https://github.com/baidu/Unlimited-OCR). > [!TIP] > Исходная реализация запускает модель с [torch.autocast](https://pytorch.org/docs/stable/amp.html#torch.autocast) в bfloat16. Оберните вызовы forward и generate в контекст autocast, чтобы воспроизвести её выходные данные. > > ```python > with torch.autocast(device_type=model.device.type, dtype=torch.bfloat16): > output = model.generate(**inputs) > ``` ```python from transformers import AutoProcessor, AutoModelForImageTextToText model = AutoModelForImageTextToText.from_pretrained("baidu/Unlimited-OCR", device_map="auto") processor = AutoProcessor.from_pretrained("baidu/Unlimited-OCR") image = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg" messages = [ { "role": "user", "content": [{"type": "image", "url": image}, {"type": "text", "text": "document parsing."}], } ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt" ).to(model.device, model.dtype) output = model.generate(**inputs, max_new_tokens=512) processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True) # image [383, 87, 497, 171]\ntext [333, 201, 558, 230]R&D QUALITY IMPROVEMENT\nSUGGESTION/SOLUTION FORM... # All bounding boxes are in (x1, y1, x2, y2) format with coordinates normalized to [0, 999] ``` ### Пакетная обработка Для пакетной обработки передайте список сообщений. Если изображения имеют разные размеры, установите `padding=True` для процессора. ```python from transformers import AutoProcessor, AutoModelForImageTextToText model = AutoModelForImageTextToText.from_pretrained("baidu/Unlimited-OCR", device_map="auto") processor = AutoProcessor.from_pretrained("baidu/Unlimited-OCR") image1 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg" image2 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_receipt.jpeg" messages = [ [ { "role": "user", "content": [{"type": "image", "url": image}, {"type": "text", "text": "document parsing."}], } ] for image in [image1, image2] ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", processor_kwargs={"padding": True}, ).to(model.device, model.dtype) output = model.generate(**inputs) processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True) # image [383, 87, 497, 171]\ntext [333, 201, 558, 230]R&D QUALITY IMPROVEMENT\nSUGGESTION/SOLUTION FORM... # All bounding boxes are in (x1, y1, x2, y2) format with coordinates normalized to [0, 999] ``` ### Обнаружение областей Установите `skip_special_tokens=False`, чтобы обернуть все обнаружения и типы областей в маркеры `<|det|>...<|/det|>`. Это полезно для дальнейшей постобработки вывода, например, для отрисовки обнаруженных ограничивающих прямоугольников на изображении. Каждое обнаружение оборачивается в виде `<|det|>region_type [x1, y1, x2, y2]<|/det|>text...`, где координаты нормализованы к диапазону `[0, 999]`. Установите `return_detections=True`, чтобы получить дополнительный список словарей со всеми обнаружениями, разобранными в формате `{"region_type": region_type, "box": [x1, y1, x2, y2], "text": "..."}`. ```python from transformers import AutoProcessor, AutoModelForImageTextToText model = AutoModelForImageTextToText.from_pretrained("baidu/Unlimited-OCR", device_map="auto") processor = AutoProcessor.from_pretrained("baidu/Unlimited-OCR") image = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg" messages = [ { "role": "user", "content": [{"type": "image", "url": image}, {"type": "text", "text": "document parsing."}], } ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt" ).to(model.device, model.dtype) output = model.generate(**inputs) decoded, detections = processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=False, return_detections=True) # <|det|>image [383, 87, 497, 171]<|/det|>\n<|det|>text [333, 201, 558, 230]<|/det|>R&D QUALITY IMPROVEMENT\nSUGGESTION/SOLUTION FORM... # Visualization import random import matplotlib.pyplot as plt import matplotlib.patches as patches from transformers.image_utils import load_image image = load_image("https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg") width, height = image.size figure, axis = plt.subplots(figsize=(10, 12)) axis.imshow(image) for detection in detections: region_type = detection["region_type"] x1, y1, x2, y2 = detection["box"] x1, y1, x2, y2 = int(x1) / 999 * width, int(y1) / 999 * height, int(x2) / 999 * width, int(y2) / 999 * height color = (random.random(), random.random(), random.random()) rectangle = patches.Rectangle((x1, y1), x2 - x1, y2 - y1, linewidth=1.5, edgecolor=color, facecolor="none") axis.add_patch(rectangle) axis.text(x1, y1, region_type, color="white", fontsize=8, backgroundcolor=color, verticalalignment="top") axis.axis("off") plt.show() ``` Многостраничные документы можно разобрать совместно за один прямой проход, передав все изображения страниц вместе. Добавьте в сообщение по одному блоку изображения на каждую страницу, чтобы модель обрабатывала все страницы как единый непрерывный документ. ```python from transformers import AutoProcessor, AutoModelForImageTextToText model = AutoModelForImageTextToText.from_pretrained("baidu/Unlimited-OCR", device_map="auto") processor = AutoProcessor.from_pretrained("baidu/Unlimited-OCR") page1 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg" page2 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_receipt.jpeg" messages = [ { "role": "user", "content": [{"type": "image", "url": page} for page in [page1, page2]] + [{"type": "text", "text": "Multi page parsing."}], } ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", processor_kwargs={"crop_to_patches": False}, ).to(model.device, model.dtype) output = model.generate( **inputs, no_repeat_ngram_window_size=1024, # default: 128, larger window size recommended for long documents ) processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True) # image [382, 87, 489, 174]\ntitle [333, 201, 556, 230]R&D QUALITY IMPROVEMENT\nSUGGESTION/SCLUTION FORM... # All bounding boxes are in (x1, y1, x2, y2) format with coordinates normalized to [0, 999] ``` ## UnlimitedOcrConfig[[transformers.UnlimitedOcrConfig]] #### transformers.UnlimitedOcrConfig[[transformers.UnlimitedOcrConfig]] ```python transformers.UnlimitedOcrConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, vision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, image_token_id: int = 128815, tie_word_embeddings: bool = False) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/configuration_unlimited_ocr.py#L262) **Параметры:** vision_config (`dict` или `UnlimitedOcrVisionConfig`, *необязательный*) : Конфигурация для визуальных энкодеров. По умолчанию `UnlimitedOcrVisionConfig()`. text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *необязательный*) : Объект конфигурации или словарь текстового бэкбона. image_token_id (`int`, *необязательный*, по умолчанию `128815`) : Индекс токена изображения, используемый как плейсхолдер для входных изображений. tie_word_embeddings (`bool`, *необязательный*, по умолчанию `False`) : Связывать ли веса эмбеддингов согласно отображению `tied_weights_keys` модели. Это класс конфигурации для хранения настроек модели UnlimitedOcrModel. Он используется для создания модели Unlimited Ocr в соответствии с указанными аргументами, определяя архитектуру модели. Создание конфигурации с параметрами по умолчанию даст конфигурацию, аналогичную конфигурации [baidu/Unlimited-OCR](https://huggingface.co/baidu/Unlimited-OCR) Объекты конфигурации наследуются от [PreTrainedConfig](/docs/transformers/main/ru/main_classes/configuration#transformers.PreTrainedConfig) и могут использоваться для управления выводами модели. Подробнее см. в документации [PreTrainedConfig](/docs/transformers/main/ru/main_classes/configuration#transformers.PreTrainedConfig). Пример: ```python >>> from transformers import UnlimitedOcrConfig, UnlimitedOcrModel >>> configuration = UnlimitedOcrConfig() >>> model = UnlimitedOcrModel(configuration) >>> configuration = model.config ``` ## UnlimitedOcrTextConfig[[transformers.UnlimitedOcrTextConfig]] #### transformers.UnlimitedOcrTextConfig[[transformers.UnlimitedOcrTextConfig]] ```python transformers.UnlimitedOcrTextConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, vocab_size: int = 129280, hidden_size: int = 1280, intermediate_size: int = 6848, num_hidden_layers: int = 12, num_attention_heads: int = 10, num_key_value_heads: int | None = 10, hidden_act: str = 'silu', max_position_embeddings: int = 32768, initializer_range: float = 0.02, rms_norm_eps: float = 1e-06, use_cache: bool = True, pad_token_id: int | None = None, bos_token_id: int | None = 0, eos_token_id: int | list[int] | None = 1, pretraining_tp: int | None = 1, tie_word_embeddings: bool = False, rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None, attention_bias: bool = False, attention_dropout: float | None = 0.0, mlp_bias: bool = False, head_dim: int | None = None, n_group: int | None = 1, n_routed_experts: int = 64, output_router_logits: bool = False, n_shared_experts: int = 2, routed_scaling_factor: float = 1.0, topk_group: int | None = 1, topk_method: str | None = 'greedy', num_experts_per_tok: int | None = 6, moe_intermediate_size: int = 896, mlp_layer_types: list[str] | None = None, layer_types: list[str] | None = None, sliding_window: int | None = 128) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/configuration_unlimited_ocr.py#L141) **Параметры:** vocab_size (`int`, *необязательный*, по умолчанию `129280`) : Размер словаря модели. Определяет количество различных токенов, которые могут быть представлены в `input_ids`. hidden_size (`int`, *необязательный*, по умолчанию `1280`) : Размерность скрытых представлений. intermediate_size (`int`, *optional*, по умолчанию `6848`) : Размерность представлений MLP. num_hidden_layers (`int`, *необязательный*, по умолчанию `12`) : Количество скрытых слоев в декодере Transformer. num_attention_heads (`int`, *необязательный*, по умолчанию `10`) : Количество головок внимания для каждого слоя внимания в декодере Transformer. num_key_value_heads (`int`, *optional*, по умолчанию `10`) : Это количество ключевых и value-голов, которое следует использовать для реализации Grouped Query Attention. Если `num_key_value_heads=num_attention_heads`, модель будет использовать Multi Head Attention (MHA), если `num_key_value_heads=1` — Multi Query Attention (MQA), в противном случае используется GQA. При конвертации multi-head checkpoint в GQA checkpoint каждая группа ключевых и value-голов должна быть построена путем усреднения (meanpooling) всех исходных голов в этой группе. Подробнее см. в [этой статье](https://huggingface.co/papers/2305.13245). Если значение не указано, по умолчанию используется `num_attention_heads`. hidden_act (`str`, *необязательный*, по умолчанию `silu`) : Нелинейная функция активации (функция или строка) в декодере. Например, `"gelu"`, `"relu"`, `"silu"` и т. д. max_position_embeddings (`int`, *необязательный*, по умолчанию `32768`) : Максимальная длина последовательности, с которой может использоваться эта модель. initializer_range (`float`, *необязательный*, по умолчанию `0.02`) : Стандартное отклонение truncated_normal_initializer для инициализации всех матриц весов. rms_norm_eps (`float`, *необязательный*, по умолчанию `1e-06`) : Значение epsilon, используемое слоями нормализации rms. use_cache (`bool`, *необязательный*, по умолчанию `True`) : Следует ли модели возвращать последние значения внимания key/values (не используется во всех моделях). Актуально только при `config.is_decoder=True` или если модель является генеративной моделью только с декодером. pad_token_id (`int`, *необязательный*) : Идентификатор токена, используемый для выравнивания в словаре. bos_token_id (`int`, *необязательный*, по умолчанию `0`) : Идентификатор токена, используемый для обозначения начала потока в словаре. eos_token_id (`Union[int, list[int]]`, *необязательный*, по умолчанию `1`) : Идентификатор токена, используемого для обозначения конца потока в словаре. pretraining_tp (`int`, *необязательный*, по умолчанию `1`) : Экспериментальная функция. Ранг тензорного параллелизма, используемый во время предварительного обучения. Подробнее см. в [этом документе](https://huggingface.co/docs/transformers/main/perf_train_gpu_many#tensor-parallelism). Это значение необходимо для обеспечения точной воспроизводимости результатов предварительного обучения. Подробнее см. в [этом вопросе](https://github.com/pytorch/pytorch/issues/76232). tie_word_embeddings (`bool`, *необязательный*, по умолчанию `False`) : Связывать ли веса эмбеддингов согласно отображению `tied_weights_keys` модели. rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`, *optional*) : Словарь, содержащий параметры конфигурации для вложений RoPE. Словарь должен содержать значение для `rope_theta` и, при необходимости, параметры, используемые для масштабирования, если вы хотите использовать RoPE с более длинными `max_position_embeddings`. attention_bias (`bool`, *необязательный*, по умолчанию `False`) : Использовать ли смещение (bias) в слоях проекции запроса, ключа, значения и вывода при само-внимании. attention_dropout (`float`, *необязательный*, по умолчанию `0.0`) : Доля dropout для вероятностей внимания. mlp_bias (`bool`, *необязательный*, по умолчанию `False`) : Использовать ли смещение (bias) в слоях up_proj, down_proj и gate_proj в слоях MLP. head_dim (`int`, *optional*) : Размер измерения внимания. Если None, по умолчанию будет использовано hidden_size // num_attention_heads n_group (`int`, *optional*) : Количество групп для групповой маршрутизации top-k экспертов. n_routed_experts (`int`, *необязательный*, по умолчанию `64`) : Количество маршрутизируемых экспертов. output_router_logits (`bool`, *необязательный*, по умолчанию `False`) : Нужно ли модели возвращать логиты роутера. Включение этого параметра также позволит модели выводить вспомогательную потерю, включая потерю балансировки нагрузки и z-потерю роутера. n_shared_experts (`int`, *необязательный*, по умолчанию `2`) : Количество общих экспертов. routed_scaling_factor (`float`, *необязательный*, по умолчанию `1.0`) : Коэффициент масштабирования или маршрутизированных экспертов. topk_group (`int`, *optional*, по умолчанию `1`) : Количество выбранных групп для каждого токена (для каждого токена, чтобы выбранные эксперты находились только в пределах `topk_group` групп). topk_method (`str`, *необязательный*, по умолчанию `"greedy"`) : Метод выбора топ-k экспертов в слоях MoE. num_experts_per_tok (`int`, *optional*, по умолчанию `6`) : Количество экспертов, к которым маршрутизируется каждый токен. Это значение top-k для маршрутизации по выбору токена. moe_intermediate_size (`int`, *необязательный*, по умолчанию `896`) : Промежуточный размер MLP маршрутизированных экспертов. mlp_layer_types (`list[str]`, *необязательный*) : тип MLP (`"dense"` или `"sparse"`) для каждого слоя декодера, например, `["dense", "sparse", "sparse", ...]`. layer_types (`list[str]`, *необязательный*) : Тип внимания для каждого слоя декодера. По умолчанию `"reference_sliding_attention"` на каждом слое. sliding_window (`int`, *optional*, по умолчанию `128`) : Размер скользящего окна для внимания со скользящим окном по референсу. Если задано, каждый токен обращает внимание на последние `sliding_window` и все токены изображения и промпта. Это класс конфигурации для хранения настроек модели UnlimitedOcrModel. Он используется для создания модели Unlimited Ocr в соответствии с указанными аргументами, определяя архитектуру модели. Создание конфигурации с параметрами по умолчанию даст конфигурацию, аналогичную конфигурации [baidu/Unlimited-OCR](https://huggingface.co/baidu/Unlimited-OCR) Объекты конфигурации наследуются от [PreTrainedConfig](/docs/transformers/main/ru/main_classes/configuration#transformers.PreTrainedConfig) и могут использоваться для управления выводами модели. Подробнее см. в документации [PreTrainedConfig](/docs/transformers/main/ru/main_classes/configuration#transformers.PreTrainedConfig). Пример: ```python >>> from transformers import UnlimitedOcrTextConfig, UnlimitedOcrTextModel >>> configuration = UnlimitedOcrTextConfig() >>> model = UnlimitedOcrTextModel(configuration) >>> configuration = model.config ``` ## UnlimitedOcrVisionConfig[[transformers.UnlimitedOcrVisionConfig]] #### transformers.UnlimitedOcrVisionConfig[[transformers.UnlimitedOcrVisionConfig]] ```python transformers.UnlimitedOcrVisionConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, sam_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, encoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/configuration_unlimited_ocr.py#L112) **Параметры:** sam_config (`dict` или `UnlimitedOcrSamVisionConfig`, *необязательный*) : Конфигурация для визуального энкодера SAM. По умолчанию `UnlimitedOcrSamVisionConfig()`. encoder_config (`dict` или `UnlimitedOcrVisionEncoderConfig`, *необязательный*) : Конфигурация для визуального энкодера. По умолчанию `UnlimitedOcrVisionEncoderConfig()`. Это класс конфигурации для хранения настроек модели UnlimitedOcrModel. Он используется для создания модели Unlimited Ocr в соответствии с указанными аргументами, определяя архитектуру модели. Создание конфигурации с параметрами по умолчанию даст конфигурацию, аналогичную конфигурации [baidu/Unlimited-OCR](https://huggingface.co/baidu/Unlimited-OCR) Объекты конфигурации наследуются от [PreTrainedConfig](/docs/transformers/main/ru/main_classes/configuration#transformers.PreTrainedConfig) и могут использоваться для управления выводами модели. Подробнее см. в документации [PreTrainedConfig](/docs/transformers/main/ru/main_classes/configuration#transformers.PreTrainedConfig). Пример: ```python >>> from transformers import UnlimitedOcrVisionConfig, UnlimitedOcrVisionModel >>> configuration = UnlimitedOcrVisionConfig() >>> model = UnlimitedOcrVisionModel(configuration) >>> configuration = model.config ``` ## UnlimitedOcrVisionEncoderConfig[[transformers.UnlimitedOcrVisionEncoderConfig]] #### transformers.UnlimitedOcrVisionEncoderConfig[[transformers.UnlimitedOcrVisionEncoderConfig]] ```python transformers.UnlimitedOcrVisionEncoderConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, hidden_size: int = 1024, intermediate_size: int = 4096, num_hidden_layers: int = 24, num_attention_heads: int = 16, num_channels: int = 3, image_size: int | list[int] | tuple[int, int] | None = 224, patch_size: int | list[int] | tuple[int, int] | None = 14, hidden_act: str = 'quick_gelu', layer_norm_eps: float = 1e-05, attention_dropout: int | float | None = 0.0, initializer_range: float = 0.02, initializer_factor: float = 1.0) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/configuration_unlimited_ocr.py#L74) **Параметры:** hidden_size (`int`, *необязательный*, по умолчанию `1024`) : Размерность скрытых представлений. intermediate_size (`int`, *необязательный*, по умолчанию `4096`) : Размерность представлений MLP. num_hidden_layers (`int`, *необязательный*, по умолчанию `24`) : Количество скрытых слоев в декодере Transformer. num_attention_heads (`int`, *необязательный*, по умолчанию `16`) : Количество головок внимания для каждого слоя внимания в декодере Transformer. num_channels (`int`, *необязательный*, по умолчанию `3`) : Количество входных каналов. image_size (`Union[int, list[int], tuple[int, int]]`, *необязательный*, по умолчанию `224`) : Размер (разрешение) каждого изображения. patch_size (`Union[int, list[int], tuple[int, int]]`, *необязательный*, по умолчанию `14`) : Размер (разрешение) каждого патча. hidden_act (`str`, *необязательный*, по умолчанию `quick_gelu`) : Нелинейная функция активации (функция или строка) в декодере. Например, `"gelu"`, `"relu"`, `"silu"` и т. д. layer_norm_eps (`float`, *необязательный*, по умолчанию `1e-05`) : Значение epsilon, используемое слоями нормализации. attention_dropout (`Union[int, float]`, *необязательный*, по умолчанию `0.0`) : Доля dropout для вероятностей внимания. initializer_range (`float`, *необязательный*, по умолчанию `0.02`) : Стандартное отклонение truncated_normal_initializer для инициализации всех матриц весов. initializer_factor (`float`, *необязательный*, по умолчанию `1.0`) : Коэффициент для инициализации всех матриц весов (должен оставаться равным 1, используется внутренне для тестирования инициализации). Это класс конфигурации для хранения настроек модели UnlimitedOcrModel. Он используется для создания модели Unlimited Ocr в соответствии с указанными аргументами, определяя архитектуру модели. Создание конфигурации с параметрами по умолчанию даст конфигурацию, аналогичную конфигурации [baidu/Unlimited-OCR](https://huggingface.co/baidu/Unlimited-OCR) Объекты конфигурации наследуются от [PreTrainedConfig](/docs/transformers/main/ru/main_classes/configuration#transformers.PreTrainedConfig) и могут использоваться для управления выводами модели. Подробнее см. в документации [PreTrainedConfig](/docs/transformers/main/ru/main_classes/configuration#transformers.PreTrainedConfig). Пример: ```python >>> from transformers import UnlimitedOcrVisionEncoderConfig, UnlimitedOcrVisionEncoder >>> configuration = UnlimitedOcrVisionEncoderConfig() >>> model = UnlimitedOcrVisionEncoder(configuration) >>> configuration = model.config ``` ## UnlimitedOcrSamVisionConfig[[transformers.UnlimitedOcrSamVisionConfig]] #### transformers.UnlimitedOcrSamVisionConfig[[transformers.UnlimitedOcrSamVisionConfig]] ```python transformers.UnlimitedOcrSamVisionConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, hidden_size: int = 768, output_channels: int = 256, num_hidden_layers: int = 12, num_attention_heads: int = 12, num_channels: int = 3, image_size: int | list[int] | tuple[int, int] = 1024, patch_size: int | list[int] | tuple[int, int] = 16, hidden_act: str = 'gelu', layer_norm_eps: float = 1e-06, attention_dropout: float | int = 0.0, initializer_range: float = 1e-10, qkv_bias: bool = True, use_abs_pos: bool = True, use_rel_pos: bool = True, window_size: int = 14, global_attn_indexes: list[int] | tuple[int, ...] = (2, 5, 8, 11), mlp_dim: int = 3072, downsample_channels: list[int] | tuple[int, ...] = (512, 1024)) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/configuration_unlimited_ocr.py#L29) **Параметры:** hidden_size (`int`, *optional*, по умолчанию `768`) : Размерность скрытых представлений. output_channels (`int`, *optional*, по умолчанию 256) : Размерность выходных каналов в Patch Encoder. num_hidden_layers (`int`, *необязательный*, по умолчанию `12`) : Количество скрытых слоев в декодере Transformer. num_attention_heads (`int`, *необязательный*, по умолчанию `12`) : Количество головок внимания для каждого слоя внимания в декодере Transformer. num_channels (`int`, *необязательный*, по умолчанию `3`) : Количество входных каналов. image_size (`Union[int, list[int], tuple[int, int]]`, *необязательный*, по умолчанию `1024`) : Размер (разрешение) каждого изображения. patch_size (`Union[int, list[int], tuple[int, int]]`, *необязательный*, по умолчанию `16`) : Размер (разрешение) каждого патча. hidden_act (`str`, *необязательный*, по умолчанию `gelu`) : Нелинейная функция активации (функция или строка) в декодере. Например, `"gelu"`, `"relu"`, `"silu"` и т. д. layer_norm_eps (`float`, *необязательный*, по умолчанию `1e-06`) : Значение epsilon, используемое слоями нормализации. attention_dropout (`Union[float, int]`, *необязательный*, по умолчанию `0.0`) : Коэффициент dropout для вероятностей внимания. initializer_range (`float`, *optional*, по умолчанию `1e-10`) : Стандартное отклонение truncated_normal_initializer для инициализации всех матриц весов. qkv_bias (`bool`, *необязательный*, по умолчанию `True`) : Добавлять ли смещение (bias) к запросам, ключам и значениям. use_abs_pos (`bool`, *необязательный*, по умолчанию `True`) : Использовать ли абсолютное встраивание позиций. use_rel_pos (`bool`, *необязательный*, по умолчанию `True`) : Использовать ли встраивание относительных позиций. window_size (`int`, *optional*, по умолчанию 14) : Размер окна для относительного положения. global_attn_indexes (`list[int]`, *необязательный*, по умолчанию `[2, 5, 8, 11]`) : Индексы глобальных слоев внимания. mlp_dim (`int`, *optional*, по умолчанию 3072) : Размерность слоя MLP в кодере Transformer. downsample_channels (`list[int]`, *необязательный*, по умолчанию `(512, 1024)`) : Размеры каналов для слоёв шейки многомасштабного понижающего дискретизирования. Это класс конфигурации для хранения настроек модели UnlimitedOcrModel. Он используется для создания модели Unlimited Ocr в соответствии с указанными аргументами, определяя архитектуру модели. Создание конфигурации с параметрами по умолчанию даст конфигурацию, аналогичную конфигурации [baidu/Unlimited-OCR](https://huggingface.co/baidu/Unlimited-OCR) Объекты конфигурации наследуются от [PreTrainedConfig](/docs/transformers/main/ru/main_classes/configuration#transformers.PreTrainedConfig) и могут использоваться для управления выводами модели. Подробнее см. в документации [PreTrainedConfig](/docs/transformers/main/ru/main_classes/configuration#transformers.PreTrainedConfig). ## UnlimitedOcrImageProcessor[[transformers.UnlimitedOcrImageProcessor]] #### transformers.UnlimitedOcrImageProcessor[[transformers.UnlimitedOcrImageProcessor]] ```python transformers.UnlimitedOcrImageProcessor(**kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/image_processing_unlimited_ocr.py#L141) **Параметры:** do_convert_rgb (`bool`, *kwargs*, *необязательный*, по умолчанию `True`) : Преобразовать ли изображение в RGB. do_resize (`bool`, *kwargs*, *optional*, по умолчанию `True`) : Нужно ли изменять размер изображения. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, по умолчанию `{'height' : 1024, 'width': 1024}`): Описывает максимальные размеры входных данных для модели. default_to_square (`bool`, *kwargs*, *optional*, по умолчанию `True`) : Использовать ли квадратное изображение по умолчанию при изменении размера, если size является int. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Размер выходного изображения после применения `center_crop`. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, по умолчанию `3`) : Фильтр ресемплинга, используемый при изменении размера изображения. Может быть одним из значений перечисления `PILImageResampling`. Влияет только в том случае, если `do_resize` установлено в `True`. do_rescale (`bool`, *kwargs*, *optional*, по умолчанию `True`) : Нужно ли масштабировать изображение. rescale_factor (`float`, *kwargs*, *optional*, по умолчанию `0.00392156862745098`) : Коэффициент масштабирования для изменения масштаба изображения, если `do_rescale` установлен в `True`. do_normalize (`bool`, *kwargs*, *optional*, по умолчанию `True`) : Нужно ли нормализовать изображение. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, по умолчанию `[0.5, 0.5, 0.5]`) : Средние значения изображения для нормализации. Влияет только в том случае, если `do_normalize` установлено в `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, по умолчанию `[0.5, 0.5, 0.5]`) : Стандартное отклонение изображения, используемое для нормализации. Влияет только в том случае, если `do_normalize` установлено в `True`. do_pad (`bool`, *kwargs*, *необязательный*) : Указывает, нужно ли выравнивать изображение. Выравнивание выполняется либо до максимального размера в батче, либо до фиксированного квадратного размера для каждого изображения. Конкретная стратегия выравнивания зависит от модели. pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Размер в формате `{"height": int, "width" int}`, до которого следует дополнить изображения. Должен быть больше любого размера изображения, переданного для предобработки. Если `pad_size` не указан, изображения будут дополнены до наибольшей высоты и ширины в батче. Применяется только при `do_pad=True.` do_center_crop (`bool`, *kwargs*, *optional*) : Центрировать ли изображение при обрезке. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *необязательный*) : Поддерживается только `ChannelDimension.FIRST`. Добавлено для совместимости с медленными процессорами. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : Формат размерности каналов для входного изображения. Если не задано, формат размерности каналов определяется по входному изображению. Может быть одним из: - `"channels_first"` или `ChannelDimension.FIRST`: изображение в формате (num_channels, height, width). - `"channels_last"` или `ChannelDimension.LAST`: изображение в формате (height, width, num_channels). - `"none"` или `ChannelDimension.NONE`: изображение в формате (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Устройство для обработки видео. Если не задано, устройство определяется на основе входных видео. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Возвращает стопку тензоров, если установлено значение `'pt'`, иначе возвращает список тензоров. disable_grouping (`bool`, *kwargs*, *optional*) : Указывает, следует ли отключить группировку изображений по размеру для их индивидуальной обработки, а не пачками. Если значение равно None, оно будет установлено в True, если изображения находятся на CPU, и в False в противном случае. Этот выбор основан на эмпирических наблюдениях, подробно описанных здесь: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *необязательный*) : Количество токенов изображения, используемых для каждого изображения во входных данных. Добавлено для обратной совместимости, но в будущих моделях это значение следует задавать как атрибут процессора. crop_to_patches (`bool`, *kwargs*, *optional*, по умолчанию `True`) : Указывает, нужно ли обрезать изображение до патчей. Может быть переопределено параметром `crop_to_patches` в методе `preprocess`. min_patches (`int`, *kwargs*, *optional*, по умолчанию `2`) : Минимальное количество патчей, извлекаемых из изображения. Влияет только в том случае, если `crop_to_patches` установлено в `True`. Может быть переопределено параметром `min_patches` в методе `preprocess`. max_patches (`int`, *kwargs*, *optional*, по умолчанию `32`) : Максимальное количество патчей, извлекаемых из изображения. Влияет только в том случае, если `crop_to_patches` установлено в `True`. Может быть переопределено параметром `max_patches` в методе `preprocess`. tile_size (`int`, *kwargs*, *optional*, по умолчанию `640`) : Размер каждой локальной плитки. Должен совпадать с размером query-эмбеддинга модели. background_color (`list[int]`, *kwargs*, *необязательный*, по умолчанию `[127, 127, 127]`) : Цвет фона для отступов. maximum_pad_value (`int`, *kwargs*, *optional*, по умолчанию `640`) : Если `crop_to_patches` равно `False` и `max(size.height, size.width)` меньше или равно этому значению, изображение масштабируется непосредственно до квадрата со стороной `max(size.height, size.width)` без сохранения соотношения сторон. В противном случае изображение масштабируется с сохранением соотношения сторон, а затем дополняется до квадрата цветом `background_color`. Создаёт процессор изображений UnlimitedOcrImageProcessor. #### crop_image_to_patches[[transformers.UnlimitedOcrImageProcessor.crop_image_to_patches]] ```python crop_image_to_patches(images: torch.Tensor, min_patches: int, max_patches: int, tile_size: int, resample: PIL.Image.Resampling | None = None) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/image_processing_unlimited_ocr.py#L163) **Параметры:** images (`torch.Tensor`) : Изображения для обрезки, форма `(batch, channels, height, width)`. min_patches (`int`) : Минимальное количество патчей. max_patches (`int`) : Максимальное количество патчей. tile_size (`int`) : размер каждой плитки. resample (`PILImageResampling`, *необязательный*) : Фильтр ресемплинга для изменения размера. **Возвращает:** `tuple[torch.Tensor, int]` Стек патчей `(batch, num_patches, channels, tile_size, tile_size)` и количество патчей на изображение. Обрезка пакетных изображений на патчи на основе оптимальной тайловой сетки. #### get_number_of_image_patches[[transformers.UnlimitedOcrImageProcessor.get_number_of_image_patches]] ```python get_number_of_image_patches(height: int, width: int, images_kwargs: dict | None = None) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/image_processing_unlimited_ocr.py#L309) Возвращает количество патчей изображения для заданного размера изображения (1 глобальный + локальные патчи). #### pad_to_square[[transformers.UnlimitedOcrImageProcessor.pad_to_square]] ```python pad_to_square(images: torch.Tensor, background_color: int | tuple[int, int, int] = 0) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/image_processing_unlimited_ocr.py#L328) **Параметры:** images (`torch.Tensor`) : Изображения, которые нужно дополнить. Форма: (batch_size, num_channels, height, width) или (num_channels, height, width). background_color (`int` или `tuple[int, int, int]`, *необязательный*, по умолчанию 0) : Цвет, используемый для отступов. Может быть целым числом для одноканального изображения или кортежем целых чисел для многоканальных изображений. Если передано целое число в многоканальном режиме, для последующих каналов по умолчанию будет использоваться `0`. **Возвращает:** `torch.Tensor` Изображения с заполнением. Добавляет отступы к изображению, чтобы сделать его квадратным, ориентируясь на самую длинную сторону. ## UnlimitedOcrProcessor[[transformers.UnlimitedOcrProcessor]] #### transformers.UnlimitedOcrProcessor[[transformers.UnlimitedOcrProcessor]] ```python transformers.UnlimitedOcrProcessor(image_processor = None, tokenizer = None, chat_template = None, patch_size = 16, downsample_ratio = 4, **kwargs) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/processing_unlimited_ocr.py#L30) **Параметры:** image_processor (`UnlimitedOcrImageProcessor`) : процессор изображений является обязательным входным параметром. tokenizer (`tokenizer_class`) : Токенизатор является обязательным входным параметром. chat_template (`str`) : Шаблон Jinja для преобразования списков сообщений в чате в строку, готовую к токенизации. patch_size (`int`, *необязательный*, по умолчанию `16`) : Размер патча, используемый визуальным энкодером (размер встраивания патчей SAM ViT). downsample_ratio (`int`, *optional*, по умолчанию `4`) : Коэффициент понижающей дискретизации, применяемый после визуального энкодера. Создаёт UnlimitedOcrProcessor, который объединяет процессор изображений и токенизатор в единый процессор. [UnlimitedOcrProcessor](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrProcessor) предоставляет все возможности [UnlimitedOcrImageProcessor](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor) и `tokenizer_class`. Подробнее см. в [~UnlimitedOcrImageProcessor](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor) и `~tokenizer_class`. #### batch_decode[[transformers.UnlimitedOcrProcessor.batch_decode]] ```python batch_decode(*args, return_detections: bool = False, **kwargs) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/processing_unlimited_ocr.py#L85) **Параметры:** return_detections (`bool`, *необязательный*, по умолчанию `False`) : Нужно ли также возвращать обнаруженные макеты, распознанные из декодированного текста. **Возвращает:** `list[str]` или `tuple[list[str], list[list[dict]]]` Расшифрованный текст. Если `return_detections` равно `True`, возвращается кортеж из расшифрованного текста и детекций для каждой последовательности, где каждая детекция — это словарь с ключами `region_type`, `box` и `text`. Координаты в формате [x1, y1, x2, y2], нормализованные к диапазону [0, 999]. Этот метод передаёт все свои аргументы в [batch_decode()](/docs/transformers/main/ru/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.batch_decode) класса PreTrainedTokenizer. Подробности см. в docstring этого метода. #### decode[[transformers.UnlimitedOcrProcessor.decode]] ```python decode(*args, return_detections: bool = False, **kwargs) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/processing_unlimited_ocr.py#L106) **Параметры:** return_detections (`bool`, *необязательный*, по умолчанию `False`) : Нужно ли также возвращать обнаруженные макеты, распознанные из декодированного текста. **Возвращает:** `str` или `tuple[str, list[dict]]` Расшифрованный текст. Если `return_detections` равно `True`, возвращается кортеж, содержащий расшифрованный текст и список детекций, где каждая детекция — это словарь с ключами `region_type`, `box` и `text`. Координаты в формате [x1, y1, x2, y2], нормализованные к диапазону [0, 999]. Этот метод передаёт все свои аргументы в [decode()](/docs/transformers/main/ru/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.decode) класса PreTrainedTokenizer. Подробности см. в docstring этого метода. ## UnlimitedOcrPreTrainedModel[[transformers.UnlimitedOcrPreTrainedModel]] #### transformers.UnlimitedOcrPreTrainedModel[[transformers.UnlimitedOcrPreTrainedModel]] ```python transformers.UnlimitedOcrPreTrainedModel(config: PreTrainedConfig, *inputs, **kwargs) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L281) **Параметры:** config ([PreTrainedConfig](/docs/transformers/main/ru/main_classes/configuration#transformers.PreTrainedConfig)) : Класс конфигурации модели со всеми параметрами модели. Инициализация с файлом конфигурации не загружает веса, связанные с моделью, только конфигурацию. Используйте метод [from_pretrained()](/docs/transformers/main/ru/main_classes/model#transformers.PreTrainedModel.from_pretrained) для загрузки весов модели. Эта модель наследуется от [PreTrainedModel](/docs/transformers/main/ru/main_classes/model#transformers.PreTrainedModel). Общие методы, которые библиотека реализует для всех своих моделей (например, загрузка или сохранение, изменение размера входных эмбеддингов, обрезка головок и т. д.), описаны в документации родительского класса. Эта модель также является подклассом [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) в PyTorch. Используйте её как обычный модуль PyTorch и обращайтесь к документации PyTorch по всем вопросам, связанным с общим использованием и поведением. ## UnlimitedOcrTextPreTrainedModel[[transformers.UnlimitedOcrTextPreTrainedModel]] #### transformers.UnlimitedOcrTextPreTrainedModel[[transformers.UnlimitedOcrTextPreTrainedModel]] ```python transformers.UnlimitedOcrTextPreTrainedModel(config: PreTrainedConfig, *inputs, **kwargs) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L1269) **Параметры:** config ([PreTrainedConfig](/docs/transformers/main/ru/main_classes/configuration#transformers.PreTrainedConfig)) : Класс конфигурации модели со всеми параметрами модели. Инициализация с файлом конфигурации не загружает веса, связанные с моделью, только конфигурацию. Используйте метод [from_pretrained()](/docs/transformers/main/ru/main_classes/model#transformers.PreTrainedModel.from_pretrained) для загрузки весов модели. Эта модель наследуется от [PreTrainedModel](/docs/transformers/main/ru/main_classes/model#transformers.PreTrainedModel). Общие методы, которые библиотека реализует для всех своих моделей (например, загрузка или сохранение, изменение размера входных эмбеддингов, обрезка головок и т. д.), описаны в документации родительского класса. Эта модель также является подклассом [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) в PyTorch. Используйте её как обычный модуль PyTorch и обращайтесь к документации PyTorch по всем вопросам, связанным с общим использованием и поведением. ## UnlimitedOcrTextModel[[transformers.UnlimitedOcrTextModel]] #### transformers.UnlimitedOcrTextModel[[transformers.UnlimitedOcrTextModel]] ```python transformers.UnlimitedOcrTextModel(config: UnlimitedOcrTextConfig) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L1731) **Параметры:** config ([UnlimitedOcrTextConfig](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrTextConfig)) : Класс конфигурации модели со всеми параметрами модели. Инициализация с файлом конфигурации не загружает веса, связанные с моделью, только конфигурацию. Используйте метод [from_pretrained()](/docs/transformers/main/ru/main_classes/model#transformers.PreTrainedModel.from_pretrained) для загрузки весов модели. Модель Unlimited Ocr Text без дополнительных компонентов, выводящая необработанные скрытые состояния (hidden-states) без какого-либо специализированного слоя (head) сверху. Эта модель наследуется от [PreTrainedModel](/docs/transformers/main/ru/main_classes/model#transformers.PreTrainedModel). Общие методы, которые библиотека реализует для всех своих моделей (например, загрузка или сохранение, изменение размера входных эмбеддингов, обрезка головок и т. д.), описаны в документации родительского класса. Эта модель также является подклассом [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) в PyTorch. Используйте её как обычный модуль PyTorch и обращайтесь к документации PyTorch по всем вопросам, связанным с общим использованием и поведением. #### forward[[transformers.UnlimitedOcrTextModel.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, **kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L1748) **Параметры:** input_ids (`torch.LongTensor` формы `(batch_size, sequence_length)`, *необязательно*) : Индексы токенов входной последовательности в словаре. По умолчанию заполнение (padding) игнорируется. Индексы можно получить с помощью [AutoTokenizer](/docs/transformers/main/ru/model_doc/auto#transformers.AutoTokenizer). Подробности см. в [PreTrainedTokenizer.encode()](/docs/transformers/main/ru/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) и [PreTrainedTokenizer.__call__()](/docs/transformers/main/ru/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__). [Что такое входные идентификаторы?](../glossary#input-ids) attention_mask (`torch.Tensor` формы `(batch_size, sequence_length)`, *необязательный*) : Маска для предотвращения применения внимания к индексам токенов отсечки. Значения маски выбираются из `[0, 1]`: - 1 для токенов, которые **не замаскированы**, - 0 для токенов, которые **замаскированы**. [Что такое маски внимания?](../glossary#attention-mask) position_ids (`torch.LongTensor` формы `(batch_size, sequence_length)`, *необязательно*) : Индексы позиций токенов каждого входного последовательности в позиционных эмбеддингах. Выбираются из диапазона `[0, config.n_positions - 1]`. [Что такое position IDs?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *необязательный*) : Предварительно вычисленные скрытые состояния (ключи и значения в блоках само-внимания и кросс-внимания), которые можно использовать для ускорения последовательного декодирования. Обычно это `past_key_values`, возвращаемые моделью на предыдущем этапе декодирования, когда `use_cache=True` или `config.use_cache=True`. В качестве входного значения допускается только экземпляр [Cache](/docs/transformers/main/ru/internal/generation_utils#transformers.Cache), см. наше [руководство по kv cache](https://huggingface.co/docs/transformers/en/kv_cache). Если `past_key_values` не переданы, по умолчанию будет инициализирован [DynamicCache](/docs/transformers/main/ru/internal/generation_utils#transformers.DynamicCache). Модель будет выводить тот же формат кэша, который был передан на вход. Если используются `past_key_values`, ожидается, что пользователь передаст только необработанные `input_ids` (те, для которых не заданы их прошлые состояния ключей и значений в этой модели) с формой `(batch_size, unprocessed_length)` вместо всех `input_ids` с формой `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` формы `(batch_size, sequence_length, hidden_size)`, *необязательно*) : По желанию, вместо передачи `input_ids` можно напрямую передать встроенное представление. Это полезно, если требуется больший контроль над тем, как индексы `input_ids` преобразуются в соответствующие векторы, чем это обеспечивает внутренняя матрица поиска встраиваний модели. use_cache (`bool`, *необязательный*) : Если установлено в `True`, состояния ключей и значений `past_key_values` возвращаются и могут использоваться для ускорения декодирования (см. `past_key_values`). **Возвращает:** `MoeModelOutputWithPast` или `tuple(torch.Tensor)` `MoeModelOutputWithPast` или кортеж `torch.Tensor` (если передано `return_dict=False` или если `config.return_dict=False`), содержащий различные элементы в зависимости от конфигурации ([UnlimitedOcrConfig](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrConfig)) и входных данных. Метод forward модели [UnlimitedOcrTextModel](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrTextModel) переопределяет специальный метод `__call__`. Хотя рецепт для прямого прохода должен быть определён внутри этой функции, после этого следует вызывать экземпляр `Module`, а не эту функцию, поскольку первый выполняет шаги предварительной и постобработки, тогда как второй молча их игнорирует. - **last_hidden_state** (`torch.Tensor` формы `(batch_size, sequence_length, hidden_size)`) -- Последовательность скрытых состояний на выходе последнего слоя модели. - **past_key_values** (`Cache`, *необязательный*, возвращается при передаче `use_cache=True` или когда `config.use_cache=True`) -- это экземпляр [Cache](/docs/transformers/main/ru/internal/generation_utils#transformers.Cache). Подробнее см. в нашем [руководстве по кэшированию kv](https://huggingface.co/docs/transformers/en/kv_cache). Содержит предварительно вычисленные скрытые состояния (ключи и значения в блоках само-внимания и, при необходимости, если `config.is_encoder_decoder=True`, в блоках кросс-внимания), которые можно использовать (см. входной параметр `past_key_values`) для ускорения последовательного декодирования. - **hidden_states** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_hidden_states=True` или когда `config.output_hidden_states=True`) -- Кортеж `torch.Tensor` (один для вывода слоя встраиваний, если модель имеет слой встраиваний, + один для вывода каждого слоя) формы `(batch_size, sequence_length, hidden_size)`. Скрытые состояния модели на выходе каждого слоя, а также необязательные выходные значения начального слоя встраивания. - **attentions** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_attentions=True` или при `config.output_attentions=True`) -- Кортеж `torch.Tensor` (по одному на каждый слой) формы `(batch_size, num_heads, sequence_length, sequence_length)`. Веса внимания после softmax в механизме внимания, используемые для вычисления взвешенного среднего в головах само-внимания. - **router_logits** (`tuple(torch.Tensor)`, *необязательный*, возвращается, если переданы `output_router_probs=True` и `config.add_router_probs=True` или если `config.output_router_probs=True`) -- Кортеж `torch.Tensor` (по одному на каждый слой) формы `(batch_size, sequence_length, num_experts)`. Сырые логиты маршрутизатора (после softmax), вычисляемые маршрутизаторами MoE; эти значения используются для вычисления вспомогательной функции потерь в моделях Mixture of Experts. ## UnlimitedOcrVisionModel[[transformers.UnlimitedOcrVisionModel]] #### transformers.UnlimitedOcrVisionModel[[transformers.UnlimitedOcrVisionModel]] ```python transformers.UnlimitedOcrVisionModel(config: UnlimitedOcrVisionConfig) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L927) **Параметры:** config ([UnlimitedOcrVisionConfig](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrVisionConfig)) : Класс конфигурации модели со всеми параметрами модели. Инициализация с файлом конфигурации не загружает веса, связанные с моделью, только конфигурацию. Используйте метод [from_pretrained()](/docs/transformers/main/ru/main_classes/model#transformers.PreTrainedModel.from_pretrained) для загрузки весов модели. Модель зрения, которая сначала кодирует изображения с помощью SAM, а затем с помощью дополнительной модели (CLIP). Эта модель наследуется от [PreTrainedModel](/docs/transformers/main/ru/main_classes/model#transformers.PreTrainedModel). Общие методы, которые библиотека реализует для всех своих моделей (например, загрузка или сохранение, изменение размера входных эмбеддингов, обрезка головок и т. д.), описаны в документации родительского класса. Эта модель также является подклассом [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) в PyTorch. Используйте её как обычный модуль PyTorch и обращайтесь к документации PyTorch по всем вопросам, связанным с общим использованием и поведением. #### forward[[transformers.UnlimitedOcrVisionModel.forward]] ```python forward(pixel_values: Tensor, **kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L936) **Параметры:** pixel_values (`torch.Tensor` формы `(batch_size, num_channels, image_size, image_size)`) : Тензоры, соответствующие входным изображениям. Значения пикселей можно получить с помощью [UnlimitedOcrImageProcessor](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor). Подробности см. в [UnlimitedOcrImageProcessor.__call__()](/docs/transformers/main/ru/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) ([UnlimitedOcrProcessor](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrProcessor) использует [UnlimitedOcrImageProcessor](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor) для обработки изображений). **Возвращает:** [BaseModelOutput](/docs/transformers/main/ru/main_classes/output#transformers.modeling_outputs.BaseModelOutput) или `tuple(torch.Tensor)` [BaseModelOutput](/docs/transformers/main/ru/main_classes/output#transformers.modeling_outputs.BaseModelOutput) или кортеж `torch.Tensor` (если передано `return_dict=False` или если `config.return_dict=False`), содержащий различные элементы в зависимости от конфигурации ([UnlimitedOcrConfig](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrConfig)) и входных данных. Метод forward модели [UnlimitedOcrVisionModel](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrVisionModel) переопределяет специальный метод `__call__`. Хотя рецепт для прямого прохода должен быть определён внутри этой функции, после этого следует вызывать экземпляр `Module`, а не эту функцию, поскольку первый выполняет шаги предварительной и постобработки, тогда как второй молча их игнорирует. - **last_hidden_state** (`torch.Tensor` формы `(batch_size, sequence_length, hidden_size)`) -- Последовательность скрытых состояний на выходе последнего слоя модели. - **hidden_states** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_hidden_states=True` или когда `config.output_hidden_states=True`) -- Кортеж `torch.Tensor` (один для вывода слоя встраиваний, если модель имеет слой встраиваний, + один для вывода каждого слоя) формы `(batch_size, sequence_length, hidden_size)`. Скрытые состояния модели на выходе каждого слоя, а также необязательные выходные значения начального слоя встраивания. - **attentions** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_attentions=True` или при `config.output_attentions=True`) -- Кортеж `torch.Tensor` (по одному на каждый слой) формы `(batch_size, num_heads, sequence_length, sequence_length)`. Веса внимания после softmax в механизме внимания, используемые для вычисления взвешенного среднего в головах само-внимания. Пример: ```python >>> import torch >>> from transformers import AutoConfig, AutoImageProcessor, AutoModel >>> from transformers.image_utils import load_image >>> model_id = "baidu/Unlimited-OCR" >>> config = AutoConfig.from_pretrained(model_id) >>> model = AutoModel.from_pretrained(model_id, config=config.vision_config, device_map="auto") >>> image_processor = AutoImageProcessor.from_pretrained(model_id) >>> image = load_image("https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg") >>> inputs = image_processor(images=image, return_tensors="pt").to(model.device, model.dtype) >>> with torch.no_grad(): ... outputs = model(**inputs) >>> # Patch tokens without class tokens (batch_size, height * width, vision_hidden_size + sam_hidden_size) >>> patch_tokens = outputs.last_hidden_state ``` ## UnlimitedOcrModel[[transformers.UnlimitedOcrModel]] #### transformers.UnlimitedOcrModel[[transformers.UnlimitedOcrModel]] ```python transformers.UnlimitedOcrModel(config: UnlimitedOcrConfig) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L1816) **Параметры:** config ([UnlimitedOcrConfig](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrConfig)) : Класс конфигурации модели со всеми параметрами модели. Инициализация с файлом конфигурации не загружает веса, связанные с моделью, только конфигурацию. Используйте метод [from_pretrained()](/docs/transformers/main/ru/main_classes/model#transformers.PreTrainedModel.from_pretrained) для загрузки весов модели. Модель UnlimitedOcr, состоящая из визуального бэкбона и языковой модели. Эта модель наследуется от [PreTrainedModel](/docs/transformers/main/ru/main_classes/model#transformers.PreTrainedModel). Общие методы, которые библиотека реализует для всех своих моделей (например, загрузка или сохранение, изменение размера входных эмбеддингов, обрезка головок и т. д.), описаны в документации родительского класса. Эта модель также является подклассом [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) в PyTorch. Используйте её как обычный модуль PyTorch и обращайтесь к документации PyTorch по всем вопросам, связанным с общим использованием и поведением. #### forward[[transformers.UnlimitedOcrModel.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, pixel_values_local: typing.Optional[torch.Tensor] = None, num_local_patches: list[int] | None = None, patches_grid: list[list[int]] | None = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L1933) **Параметры:** input_ids (`torch.LongTensor` формы `(batch_size, sequence_length)`, *необязательно*) : Индексы токенов входной последовательности в словаре. По умолчанию заполнение (padding) игнорируется. Индексы можно получить с помощью [AutoTokenizer](/docs/transformers/main/ru/model_doc/auto#transformers.AutoTokenizer). Подробности см. в [PreTrainedTokenizer.encode()](/docs/transformers/main/ru/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) и [PreTrainedTokenizer.__call__()](/docs/transformers/main/ru/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__). [Что такое входные идентификаторы?](../glossary#input-ids) pixel_values (`torch.Tensor` формы `(batch_size, num_channels, image_size, image_size)`, *необязательно*) : Тензоры, соответствующие входным изображениям. Значения пикселей можно получить с помощью [UnlimitedOcrImageProcessor](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor). Подробности см. в [UnlimitedOcrImageProcessor.__call__()](/docs/transformers/main/ru/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) ([UnlimitedOcrProcessor](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrProcessor) использует [UnlimitedOcrImageProcessor](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor) для обработки изображений). pixel_values_local (`torch.Tensor`, *необязательный*) : Локальные значения пикселей патчей формы `(total_patches, 3, H, W)`. num_local_patches (`list[int]`, *необязательный*) : Количество локальных патчей на изображение в батче. patches_grid (`list[list[int]]`, *необязательный*) : Сетка патчей `(num_columns, num_rows)` для каждого изображения. attention_mask (`torch.Tensor` формы `(batch_size, sequence_length)`, *необязательный*) : Маска для предотвращения применения внимания к индексам токенов отсечки. Значения маски выбираются из `[0, 1]`: - 1 для токенов, которые **не замаскированы**, - 0 для токенов, которые **замаскированы**. [Что такое маски внимания?](../glossary#attention-mask) position_ids (`torch.LongTensor` формы `(batch_size, sequence_length)`, *необязательно*) : Индексы позиций токенов каждого входного последовательности в позиционных эмбеддингах. Выбираются из диапазона `[0, config.n_positions - 1]`. [Что такое position IDs?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *необязательный*) : Предварительно вычисленные скрытые состояния (ключи и значения в блоках само-внимания и кросс-внимания), которые можно использовать для ускорения последовательного декодирования. Обычно это `past_key_values`, возвращаемые моделью на предыдущем этапе декодирования, когда `use_cache=True` или `config.use_cache=True`. В качестве входного значения допускается только экземпляр [Cache](/docs/transformers/main/ru/internal/generation_utils#transformers.Cache), см. наше [руководство по kv cache](https://huggingface.co/docs/transformers/en/kv_cache). Если `past_key_values` не переданы, по умолчанию будет инициализирован [DynamicCache](/docs/transformers/main/ru/internal/generation_utils#transformers.DynamicCache). Модель будет выводить тот же формат кэша, который был передан на вход. Если используются `past_key_values`, ожидается, что пользователь передаст только необработанные `input_ids` (те, для которых не заданы их прошлые состояния ключей и значений в этой модели) с формой `(batch_size, unprocessed_length)` вместо всех `input_ids` с формой `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` формы `(batch_size, sequence_length, hidden_size)`, *необязательно*) : По желанию, вместо передачи `input_ids` можно напрямую передать встроенное представление. Это полезно, если требуется больший контроль над тем, как индексы `input_ids` преобразуются в соответствующие векторы, чем это обеспечивает внутренняя матрица поиска встраиваний модели. use_cache (`bool`, *необязательный*) : Если установлено в `True`, состояния ключей и значений `past_key_values` возвращаются и могут использоваться для ускорения декодирования (см. `past_key_values`). mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *необязательный*) : Словарь, где ключами являются поддерживаемые модальности, а значениями — закодированные выходные данные для данной модальности. Каждый закодированный выход представляет собой кортеж, состоящий из (`pooler_output`, *необязательный*: `last_hidden_states`, *необязательный*: `hidden_states`, *необязательный*: `attentions`) `pooler_output` формы `(batch_size, sequence_length, hidden_size)`, *необязательный*) — это последовательность мультимодальных признаков энкодера, объединенных в текстовые эмбеддинги. **Возвращает:** `UnlimitedOcrModelOutputWithPast` или `tuple(torch.Tensor)` Объект `UnlimitedOcrModelOutputWithPast` или кортеж `torch.Tensor` (если передано `return_dict=False` или если `config.return_dict=False`), содержащий различные элементы в зависимости от конфигурации ([UnlimitedOcrConfig](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrConfig)) и входных данных. Метод forward модели [UnlimitedOcrModel](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrModel) переопределяет специальный метод `__call__`. Хотя рецепт для прямого прохода должен быть определён внутри этой функции, после этого следует вызывать экземпляр `Module`, а не эту функцию, поскольку первый выполняет шаги предварительной и постобработки, тогда как второй молча их игнорирует. - **last_hidden_state** (`torch.Tensor` формы `(batch_size, sequence_length, hidden_size)`) -- Последовательность скрытых состояний на выходе последнего слоя модели. Если используется `past_key_values`, выводится только последнее скрытое состояние последовательностей формы `(batch_size, 1, hidden_size)`. - **past_key_values** (`Cache`, *необязательный*, возвращается при передаче `use_cache=True` или когда `config.use_cache=True`) -- это экземпляр [Cache](/docs/transformers/main/ru/internal/generation_utils#transformers.Cache). Подробнее см. в нашем [руководстве по кэшированию kv](https://huggingface.co/docs/transformers/en/kv_cache). Содержит предварительно вычисленные скрытые состояния (ключи и значения в блоках само-внимания), которые можно использовать (см. вход `past_key_values`) для ускорения последовательного декодирования. - **hidden_states** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_hidden_states=True` или когда `config.output_hidden_states=True`) -- Кортеж `torch.Tensor` (один для вывода слоя встраиваний, если модель имеет слой встраиваний, + один для вывода каждого слоя) формы `(batch_size, sequence_length, hidden_size)`. Скрытые состояния модели на выходе каждого слоя, а также необязательные выходные значения начального слоя встраивания. - **attentions** (`tuple(torch.Tensor)`, *необязательный*, возвращается при передаче `output_attentions=True` или при `config.output_attentions=True`) -- Кортеж `torch.Tensor` (по одному на каждый слой) формы `(batch_size, num_heads, sequence_length, sequence_length)`. Веса внимания после softmax в механизме внимания, используемые для вычисления взвешенного среднего в головах само-внимания. - **image_hidden_states** (`torch.Tensor`, *необязательный*) -- `torch.Tensor` размера `(batch_size, num_images, sequence_length, hidden_size)`. image_hidden_states модели, полученные визуальным энкодером после проекции последнего скрытого состояния. - **router_logits** (`tuple[torch.Tensor]`, *необязательный*, возвращается при передаче `output_router_logits=True` или при `config.add_router_probs=True`) -- Кортеж `torch.Tensor` (по одному на каждый слой) формы `(batch_size, sequence_length, num_experts)`. Логиты маршрутизатора модели, полезные для вычисления вспомогательной функции потерь для моделей Mixture of Experts. ## UnlimitedOcrForConditionalGeneration[[transformers.UnlimitedOcrForConditionalGeneration]] #### transformers.UnlimitedOcrForConditionalGeneration[[transformers.UnlimitedOcrForConditionalGeneration]] ```python transformers.UnlimitedOcrForConditionalGeneration(config: UnlimitedOcrConfig) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L1999) **Параметры:** config ([UnlimitedOcrConfig](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrConfig)) : Класс конфигурации модели со всеми параметрами модели. Инициализация с файлом конфигурации не загружает веса, связанные с моделью, только конфигурацию. Используйте метод [from_pretrained()](/docs/transformers/main/ru/main_classes/model#transformers.PreTrainedModel.from_pretrained) для загрузки весов модели. Модель Unlimited Ocr для генерации токенов с условием на другие модальности (например, генерация текста из изображения и текста). Эта модель наследуется от [PreTrainedModel](/docs/transformers/main/ru/main_classes/model#transformers.PreTrainedModel). Общие методы, которые библиотека реализует для всех своих моделей (например, загрузка или сохранение, изменение размера входных эмбеддингов, обрезка головок и т. д.), описаны в документации родительского класса. Эта модель также является подклассом [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) в PyTorch. Используйте её как обычный модуль PyTorch и обращайтесь к документации PyTorch по всем вопросам, связанным с общим использованием и поведением. #### forward[[transformers.UnlimitedOcrForConditionalGeneration.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, pixel_values_local: typing.Optional[torch.Tensor] = None, num_local_patches: list[int] | None = None, patches_grid: list[list[int]] | None = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [Источник](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L2037) **Параметры:** input_ids (`torch.LongTensor` формы `(batch_size, sequence_length)`, *необязательно*) : Индексы токенов входной последовательности в словаре. По умолчанию заполнение (padding) игнорируется. Индексы можно получить с помощью [AutoTokenizer](/docs/transformers/main/ru/model_doc/auto#transformers.AutoTokenizer). Подробности см. в [PreTrainedTokenizer.encode()](/docs/transformers/main/ru/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) и [PreTrainedTokenizer.__call__()](/docs/transformers/main/ru/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__). [Что такое входные идентификаторы?](../glossary#input-ids) pixel_values (`torch.Tensor` формы `(batch_size, num_channels, image_size, image_size)`, *необязательно*) : Тензоры, соответствующие входным изображениям. Значения пикселей можно получить с помощью [UnlimitedOcrImageProcessor](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor). Подробности см. в [UnlimitedOcrImageProcessor.__call__()](/docs/transformers/main/ru/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) ([UnlimitedOcrProcessor](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrProcessor) использует [UnlimitedOcrImageProcessor](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor) для обработки изображений). pixel_values_local (`torch.Tensor`, *необязательный*) : Локальные значения пикселей патчей формы `(total_patches, 3, H, W)`. num_local_patches (`list[int]`, *необязательный*) : Количество локальных патчей на изображение в батче. patches_grid (`list[list[int]]`, *необязательный*) : Сетка патчей `(num_columns, num_rows)` для каждого изображения. attention_mask (`torch.Tensor` формы `(batch_size, sequence_length)`, *необязательный*) : Маска для предотвращения применения внимания к индексам токенов отсечки. Значения маски выбираются из `[0, 1]`: - 1 для токенов, которые **не замаскированы**, - 0 для токенов, которые **замаскированы**. [Что такое маски внимания?](../glossary#attention-mask) position_ids (`torch.LongTensor` формы `(batch_size, sequence_length)`, *необязательно*) : Индексы позиций токенов каждого входного последовательности в позиционных эмбеддингах. Выбираются из диапазона `[0, config.n_positions - 1]`. [Что такое position IDs?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *необязательный*) : Предварительно вычисленные скрытые состояния (ключи и значения в блоках само-внимания и кросс-внимания), которые можно использовать для ускорения последовательного декодирования. Обычно это `past_key_values`, возвращаемые моделью на предыдущем этапе декодирования, когда `use_cache=True` или `config.use_cache=True`. В качестве входного значения допускается только экземпляр [Cache](/docs/transformers/main/ru/internal/generation_utils#transformers.Cache), см. наше [руководство по kv cache](https://huggingface.co/docs/transformers/en/kv_cache). Если `past_key_values` не переданы, по умолчанию будет инициализирован [DynamicCache](/docs/transformers/main/ru/internal/generation_utils#transformers.DynamicCache). Модель будет выводить тот же формат кэша, который был передан на вход. Если используются `past_key_values`, ожидается, что пользователь передаст только необработанные `input_ids` (те, для которых не заданы их прошлые состояния ключей и значений в этой модели) с формой `(batch_size, unprocessed_length)` вместо всех `input_ids` с формой `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` формы `(batch_size, sequence_length, hidden_size)`, *необязательно*) : По желанию, вместо передачи `input_ids` можно напрямую передать встроенное представление. Это полезно, если требуется больший контроль над тем, как индексы `input_ids` преобразуются в соответствующие векторы, чем это обеспечивает внутренняя матрица поиска встраиваний модели. labels (`torch.LongTensor` формы `(batch_size, sequence_length)`, *необязательно*) : Метки для вычисления потерь маскированного языкового моделирования. Индексы должны находиться в диапазоне `[0, ..., config.vocab_size]` или равняться -100 (см. docstring `input_ids`). Токены с индексами, установленными в `-100`, игнорируются (маскируются); потери вычисляются только для токенов с метками в диапазоне `[0, ..., config.vocab_size]`. use_cache (`bool`, *необязательный*) : Если установлено в `True`, состояния ключей и значений `past_key_values` возвращаются и могут использоваться для ускорения декодирования (см. `past_key_values`). logits_to_keep (`Union[int, torch.Tensor]`, *необязательный*, по умолчанию `0`) : Если передано значение типа `int`, вычисляются logits для последних `logits_to_keep` токенов. Если передано `0`, logits вычисляются для всех `input_ids` (специальный случай). Для генерации нужны logits только последнего токена, и вычисление их только для этого токена позволяет сэкономить память, что становится весьма значимым для длинных последовательностей или большого размера словаря. Если передано значение типа `torch.Tensor`, оно должно быть одномерным и соответствовать индексам, которые нужно сохранить в измерении длины последовательности. Это полезно при использовании упакованного формата тензоров (одно измерение для batch и длины последовательности). mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *необязательный*) : Словарь, где ключами являются поддерживаемые модальности, а значениями — закодированные выходные данные для данной модальности. Каждый закодированный выход представляет собой кортеж, состоящий из (`pooler_output`, *необязательный*: `last_hidden_states`, *необязательный*: `hidden_states`, *необязательный*: `attentions`) `pooler_output` формы `(batch_size, sequence_length, hidden_size)`, *необязательный*) — это последовательность мультимодальных признаков энкодера, объединенных в текстовые эмбеддинги. **Возвращает:** `UnlimitedOcrCausalLMOutputWithPast` или `tuple(torch.Tensor)` Объект `UnlimitedOcrCausalLMOutputWithPast` или кортеж `torch.Tensor` (если передано `return_dict=False` или если `config.return_dict=False`), содержащий различные элементы в зависимости от конфигурации ([UnlimitedOcrConfig](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrConfig)) и входных данных. Метод forward класса [UnlimitedOcrForConditionalGeneration](/docs/transformers/main/ru/model_doc/unlimited_ocr#transformers.UnlimitedOcrForConditionalGeneration) переопределяет специальный метод `__call__`. Хотя рецепт для прямого прохода должен быть определён внутри этой функции, после этого следует вызывать экземпляр `Module`, а не эту функцию, поскольку первый выполняет шаги предварительной и постобработки, тогда как второй молча их игнорирует. - **loss** (`torch.Tensor` формы `(1,)`, *необязательный*, возвращается, если задан `labels`) -- Потеря языковой модели (для предсказания следующего токена). - **logits** (`torch.Tensor` формы `(batch_size, sequence_length, config.vocab_size)`) — Оценки предсказаний языковой модели (оценки для каждого токена словаря до применения SoftMax). - **past_key_values** (`Cache`, *необязательный*, возвращается при передаче `use_cache=True` или когда `config.use_cache=True`) -- это экземпляр [Cache](/docs/transformers/main/ru/internal/generation_utils#transformers.Cache). Подробнее см. в нашем [руководстве по кэшированию kv](https://huggingface.co/docs/transformers/en/kv_cache). Содержит предварительно вычисленные скрытые состояния (ключи и значения в блоках само-внимания), которые можно использовать (см. вход `past_key_values`) для ускорения последовательного декодирования. - **hidden_states** (`tuple[torch.Tensor]`, *необязательный*, возвращается, если передано `output_hidden_states=True` или если `config.output_hidden_states=True`) -- Кортеж `torch.Tensor` (один для вывода слоя встраиваний, если модель имеет слой встраиваний, + один для вывода каждого слоя) формы `(batch_size, sequence_length, hidden_size)`. Скрытые состояния модели на выходе каждого слоя, а также необязательные выходные значения начального слоя встраивания. - **attentions** (`tuple[torch.Tensor]`, *необязательный*, возвращается при передаче `output_attentions=True` или когда `config.output_attentions=True`) -- Кортеж `torch.Tensor` (по одному на каждый слой) формы `(batch_size, num_heads, sequence_length, sequence_length)`. Веса внимания после softmax в механизме внимания, используемые для вычисления взвешенного среднего в головах само-внимания. - **image_hidden_states** (`torch.Tensor`, *необязательный*) -- `torch.Tensor` размера (batch_size * num_patches, num_images, sequence_length, hidden_size)`. image_hidden_states модели, сгенерированные визуальным энкодером после проекции последнего скрытого состояния. - **router_logits** (`tuple[torch.Tensor]`, *необязательный*, возвращается при передаче `output_router_logits=True` или при `config.add_router_probs=True`) -- Кортеж `torch.Tensor` (по одному на каждый слой) формы `(batch_size, sequence_length, num_experts)`. Логиты маршрутизатора модели, полезные для вычисления вспомогательной функции потерь для моделей Mixture of Experts. Пример одностраничного OCR: ```python >>> from transformers import AutoProcessor, AutoModelForImageTextToText >>> model = AutoModelForImageTextToText.from_pretrained("baidu/Unlimited-OCR", device_map="auto") >>> processor = AutoProcessor.from_pretrained("baidu/Unlimited-OCR") >>> image = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg" >>> messages = [ ... { ... "role": "user", ... "content": [{"type": "image", "url": image}, {"type": "text", "text": "document parsing."}], ... } ... ] >>> inputs = processor.apply_chat_template( ... messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt" ... ).to(model.device, model.dtype) >>> output = model.generate(**inputs) >>> processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True) >>> # image [383, 87, 497, 171]\ntext [333, 201, 558, 230]R&D QUALITY IMPROVEMENT\nSUGGESTION/SOLUTION FORM... ``` Пример многостраничного OCR: ```python >>> from transformers import AutoProcessor, AutoModelForImageTextToText >>> model = AutoModelForImageTextToText.from_pretrained("baidu/Unlimited-OCR", device_map="auto") >>> processor = AutoProcessor.from_pretrained("baidu/Unlimited-OCR") >>> page1 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg" >>> page2 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_receipt.jpeg" >>> messages = [ ... { ... "role": "user", ... "content": [{"type": "image", "url": page} for page in [page1, page2]] ... + [{"type": "text", "text": "Multi page parsing."}], ... } ... ] >>> inputs = processor.apply_chat_template( ... messages, ... add_generation_prompt=True, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... processor_kwargs={"crop_to_patches": False}, ... ).to(model.device, model.dtype) >>> output = model.generate( ... **inputs, ... no_repeat_ngram_window_size=1024, ... ) >>> processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True) >>> # image [382, 87, 489, 174]\ntitle [333, 201, 556, 230]R&D QUALITY IMPROVEMENT\nSUGGESTION/SCLUTION FORM... ```