# MiniCPM-OCR MiniCPM-OCR, [OpenBMB](https://github.com/OpenBMB) tarafından geliştirilen [MiniCPM-V](https://huggingface.co/papers/2509.18154) ailesine ait bir belge anlama modelidir. [MiniCPM-V 4.6](./minicpmv4_6) mimarisini korur; bu mimari, [Qwen3.5](./qwen3_5) dil modelinin önünde pencere dikkati birleştiricisine sahip bir [SigLIP](./siglip) görme kodlayıcısıdır ve tarama yapılmış sayfalar, ekran görüntüleri, fişler ve tablolar gibi metin yoğun görselleri okumak için özelleştirilmiştir. Bu model [OpenBMB](https://huggingface.co/openbmb) tarafından katkıda bulunmuştur. Orijinal kod [burada](https://github.com/openbmb/MiniCPM-OCR) bulunabilir. ## Kullanım örneği ```python from transformers import pipeline messages = [ { "role": "user", "content": [ { "type": "image", "image": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_receipt.jpeg", }, {"type": "text", "text": "Transcribe all the text in this document."}, ], }, ] pipe = pipeline("image-text-to-text", model="openbmb/MiniCPM-OCR-1.0") outputs = pipe(text=messages, max_new_tokens=256, return_full_text=False) print(outputs[0]["generated_text"]) # # # Document No : TD01167104 # Date : 25/12/2018 8:13:39 PM # Cashier : MANIS # Member : # CASH BILL # CODE/DESC PRICE Disc AMOUNT # QTY RM RM # 9556939040118 KF MODELLING CLAY KIDDY FISH # 1 PC * 9.00 0.00 9.00 # Total : 9.00 # Rounding Adjustment : 0.00 # Round-d Total (RM) : 9.00 ``` ```python from transformers import AutoModelForImageTextToText, AutoProcessor model_id = "openbmb/MiniCPM-OCR-1.0" processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForImageTextToText.from_pretrained(model_id, device_map="auto") messages = [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg"}, {"type": "text", "text": "Convert this page to markdown."}, ], } ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=512) decoded_output = processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True) print(decoded_output) # ```markdown # R&D QUALITY IMPROVEMENT # SUGGESTION/SOLUTION FORM # # Name/Phone Ext.: M. Hamann, P. Harper, P. Martinez Date: 9/3/92 # # Supervisor/Manager: J. S. Wigand R&D Group: Licensee # ... # ``` ``` Yayınlanan checkpoint'in sohbet şablonu, varsayılan olarak düşünmeyi devre dışı bırakır. Bunu açıkça etkinleştirmek için `apply_chat_template` fonksiyonuna `enable_thinking=True` parametresini iletin. MiniCPM-OCR, MiniCPM-V ailesinin her iki görsel örnekleme azaltma modunu da destekler: - **4x** (varsayılan): Daha az örnekleme azaltma, daha fazla görsel jeton; bu, belge ve ekran görüntüsü transkripsiyonu için gereklidir. - **16x**: Daha agresif örnekleme azaltma, daha az görsel token, doğal görüntülerde daha hızlı çıkarım. Mod, `model.generate` ile birlikte işlemciye de birlikte geçirilmelidir; çünkü işlemci, görme kulesinin üretmesi beklenen görsel yer tutucuları sayar: ```python from transformers import AutoModelForImageTextToText, AutoProcessor model_id = "openbmb/MiniCPM-OCR-1.0" processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForImageTextToText.from_pretrained(model_id, device_map="auto") messages = [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg"}, {"type": "text", "text": "Convert this page to markdown."}, ], } ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", processor_kwargs={"downsample_mode": "4x"}, ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=512, downsample_mode="4x") print((inputs["input_ids"] == model.config.image_token_id).sum().item()) # 1260 visual tokens; the same page in `"16x"` mode is 315 instead ``` Çağrı başına `downsample_mode` yalnızca o çağrıya uygulanır ve işlemciyi değiştirmez; böylece aynı işlemci her iki modu da eşzamanlı olarak destekleyebilir. İşlemciyi `apply_chat_template` üzerinden değil de doğrudan çağırdığınızda, bunu düz bir anahtar kelime argümanı olarak iletin: ```python inputs = processor(images=[image], text=[text], return_tensors="pt", downsample_mode="4x") ``` Bunun yerine bir modu varsayılan yapmak için, işlemciyi yüklerken ayarlayın: ```python processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0", downsample_mode="4x") ``` Dilimlenemeyecek kadar küçük görüntüler, varsayılan olarak `scale_resolution` değerine ölçeklendirilir; bu, yayınlanan checkpoint'in eğitildiği ayardır. Ekran görüntüleri ve kırpıntılar genellikle yerel çözünürlüklerinde tutulduğunda daha iyi sonuç verir, çünkü ölçeklendirme yalnızca glifleri bulanıklaştırır. Bu nedenle `small_image_upsize` bu iki seçenek arasında seçim yapar: - `"always"` (varsayılan): bunları `scale_resolution` değerine ölçeklendirir. - `"never"`: bunları yerel çözünürlüklerinde tutun, yalnızca yama ızgarasına hizalayın. - `"adaptive"`: glif boyutuna ve yoğunluğa göre, görüntü başına ve dilim başına karar verin. ```python from transformers import AutoProcessor from transformers.image_utils import load_image url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_receipt.jpeg" image = load_image(url).resize((224, 224)) processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0") messages = [{"role": "user", "content": [{"type": "image"}, {"type": "text", "text": "Read the text."}]}] text = processor.apply_chat_template(messages, add_generation_prompt=True, tokenize=False) print(processor(images=[image], text=[text], return_tensors="pt")["target_sizes"].tolist()) # [[32, 32]] -- upscaled to `scale_resolution` processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0", small_image_upsize="never") print(processor(images=[image], text=[text], return_tensors="pt")["target_sizes"].tolist()) # [[16, 16]] -- 224 / 14 patches per side, no upscaling ``` `"adaptive"`, küçük yoğun metinleri `scale_resolution` değerine ölçekler, 6272 pikselden küçük görüntüleri 84'e ölçekler ve kalanları yerel çözünürlükte tutar; bir dilim üzerinde asla temel karodan daha fazla token harcamaz. Glif yüksekliği ve yoğunluğu, Otsu eşiği ve ardından bağlantılı bileşen analizi ile ölçülür; bu nedenle [OpenCV](https://pypi.org/project/opencv-python/) gerektirir ve yoksa sessizce farklı bir kurala geri düşmek yerine hata fırlatır. ```python processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0", small_image_upsize="adaptive") print(processor(images=[image], text=[text], return_tensors="pt")["target_sizes"].tolist()) # [[32, 32]] -- dense text detected, so this one is upscaled anyway ``` `downsample_mode` gibi, bu da her çağrıda ayrı ayrı geçersiz kılınabilir; bu sayede işlemci yeniden yüklenmeden 224x224 fiş, yerel çözünürlüğünde kalır: ```python inputs = processor(images=[image], text=[text], return_tensors="pt", small_image_upsize="never") print(inputs["target_sizes"].tolist()) # [[16, 16]] -- 224 / 14 patches per side, no upscaling ``` ```python from transformers import AutoModelForImageTextToText, AutoProcessor model_id = "openbmb/MiniCPM-OCR-1.0" processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForImageTextToText.from_pretrained(model_id, device_map="auto") messages = [ [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_receipt.jpeg"}, {"type": "text", "text": "Transcribe all the text in this document."}, ], } ], [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg"}, {"type": "text", "text": "Transcribe all the text in this document."}, ], } ], ] 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, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=256) decoded_outputs = processor.batch_decode(output[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True) print(decoded_outputs[0]) # Document No : TD01167104 # Date : 25/12/2018 8:13:39 PM # Cashier : MANIS # ... print(decoded_outputs[1]) # R&D QUALITY IMPROVEMENT # SUGGESTION/SOLUTION FORM # # Name/Phone Ext.: M. Hamann P. Harper P. Martinez Date: 9/3/92 # Supervisor/Manager: J. S. Wigand R&D Group: Licensee # ... ``` İki sayfa bağımsız olarak yeniden boyutlandırılır, bu nedenle istemleri farklı uzunluklardadır. `apply_chat_template`'nin `padding` değerini işlemciye iletebilmesi için `processor_kwargs` üzerinden istenmesi gerekir ve işlemci, `generate`'nin her istemin sonundan üretmeye devam etmesini sağlamak için soldan dolgu yapar. ## MiniCPMOcrConfig[[transformers.MiniCPMOcrConfig]] #### transformers.MiniCPMOcrConfig[[transformers.MiniCPMOcrConfig]] ```python transformers.MiniCPMOcrConfig(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, text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, vision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, insert_layer_id: int = 6, image_token_id: int | None = None, video_token_id: int | None = None, tie_word_embeddings: bool = True, downsample_mode: str = '4x', merge_kernel_size: tuple[int, int] | list[int] = (2, 2), merger_times: int = 1) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/configuration_minicpm_ocr.py#L66) **Parametreler:** text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *isteğe bağlı*) : Metin omurgasının yapılandırma nesnesi veya sözlüğü. vision_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *isteğe bağlı*) : Görüntü iskeletinin yapılandırma nesnesi veya sözlüğü. insert_layer_id (`int`, *isteğe bağlı*, varsayılan 6) : Pencere-dikkat birleştiricisinin uygulandığı görsel kodlayıcı katman indeksi. image_token_id (`int`, *isteğe bağlı*) : Girdi görselleri için yer tutucu olarak kullanılan görsel jeton indeksi. video_token_id (`int`, *isteğe bağlı*) : Girdi videoları için yer tutucu olarak kullanılan video jetonu indeksi. tie_word_embeddings (`bool`, *isteğe bağlı*, varsayılan `True`) : Ağırlık gömme bağlamalarının, modelin `tied_weights_keys` eşlemesine göre yapılıp yapılmayacağını belirtir. downsample_mode (`str`, *isteğe bağlı*, varsayılan `"4x"`) : Görsel jeton indirgeme oranı. `"4x"`, metin yoğun belge görüntülerinin okunduğu `"16x"`'e kıyasla 4 kat daha fazla jeton saklar. merge_kernel_size (`tuple[int, int]`, *isteğe bağlı*, varsayılan `(2, 2)`) : Merger'de bitişik görsel yamaları birleştirmek için çekirdek boyutu `(h, w)`. merger_times (`int`, *isteğe bağlı*, varsayılan 1) : Merger'daki iteratif birleştirme turlarının sayısı. Bu, bir MiniCPMOcrModel yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Minicpm Ocr modelini örneklemek ve model mimarisini tanımlamak için kullanılır. Varsayılanlarla bir yapılandırma örneği oluşturmak, [openbmb/MiniCPM-OCR-1.0](https://huggingface.co/openbmb/MiniCPM-OCR-1.0) modelinin yapılandırmasına benzer bir yapılandırma elde etmenizi sağlar. Yapılandırma nesneleri [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) sınıfından türetilir ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) belgesini okuyun. ## MiniCPMOcrVisionConfig[[transformers.MiniCPMOcrVisionConfig]] #### transformers.MiniCPMOcrVisionConfig[[transformers.MiniCPMOcrVisionConfig]] ```python transformers.MiniCPMOcrVisionConfig(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, intermediate_size: int = 3072, num_hidden_layers: int = 12, num_attention_heads: int = 12, num_channels: int = 3, image_size: int | list[int] | tuple[int, int] = 224, patch_size: int | list[int] | tuple[int, int] = 16, hidden_act: str = 'gelu_pytorch_tanh', layer_norm_eps: float = 1e-06, attention_dropout: float | int = 0.0, insert_layer_id: int = 6, window_kernel_size: tuple[int, int] | list[int] = (2, 2)) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/configuration_minicpm_ocr.py#L31) **Parametreler:** hidden_size (`int`, *isteğe bağlı*, varsayılan `768`) : Gizli temsillerin boyutu. intermediate_size (`int`, *isteğe bağlı*, varsayılan `3072`) : MLP temsil boyutu. num_hidden_layers (`int`, *isteğe bağlı*, varsayılan `12`) : Transformer decoder'ındaki gizli katman sayısı. num_attention_heads (`int`, *isteğe bağlı*, varsayılan `12`) : Transformer decoder'ındaki her dikkat katmanı için dikkat başı sayısı. num_channels (`int`, *opsiyonel*, varsayılan `3`) : Girdi kanal sayısı. image_size (`Union[int, list[int], tuple[int, int]]`, *isteğe bağlı*, varsayılan `224`) : Her bir görüntünün boyutu (çözünürlüğü). patch_size (`Union[int, list[int], tuple[int, int]]`, *isteğe bağlı*, varsayılan `16`) : Her yamanın boyutu (çözünürlüğü). hidden_act (`str`, *isteğe bağlı*, varsayılan `gelu_pytorch_tanh`) : Dekoderdeki doğrusal olmayan aktivasyon fonksiyonu (fonksiyon veya dize). Örneğin, `"gelu"`, `"relu"`, `"silu"` vb. layer_norm_eps (`float`, *opsiyonel*, varsayılan `1e-06`) : Katman normalizasyonu katmanlarında kullanılan epsilon. attention_dropout (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.0`) : Dikkat olasılıkları için dropout oranı. insert_layer_id (`int`, *isteğe bağlı*, varsayılan 6) : Pencere-dikkat birleştiricisinin uygulandığı görsel kodlayıcı katman indeksi. window_kernel_size (`tuple[int, int]`, *isteğe bağlı*, varsayılan `(2, 2)`) : Ara pencere-dikkat birleştiricisi için pencere boyutu `(h, w)`. Bu, bir MiniCPMOcrModel yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Minicpm Ocr modelini örneklemek ve model mimarisini tanımlamak için kullanılır. Varsayılanlarla bir yapılandırma örneği oluşturmak, [openbmb/MiniCPM-OCR-1.0](https://huggingface.co/openbmb/MiniCPM-OCR-1.0) modelinin yapılandırmasına benzer bir yapılandırma elde etmenizi sağlar. Yapılandırma nesneleri [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) sınıfından türetilir ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) belgesini okuyun. ## MiniCPMOcrVisionPreTrainedModel[[transformers.MiniCPMOcrVisionPreTrainedModel]] #### transformers.MiniCPMOcrVisionPreTrainedModel[[transformers.MiniCPMOcrVisionPreTrainedModel]] ```python transformers.MiniCPMOcrVisionPreTrainedModel(config: PreTrainedConfig, *inputs, **kwargs) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L396) #### forward[[transformers.MiniCPMOcrVisionPreTrainedModel.forward]] ```python forward(*args, **kwargs) ``` Noktalı bir yol için sahte bir değer (ör. `torch.float32`): öznitelik erişim zincirleri, çağrılar geçiş (pass-through) dekoratörleri gibi davranır, `repr` noktalı yoldur ve bir taban sınıf olarak kullanıldığında düz bir `type` tabanı yerleştirilir (PEP 560 `__mro_entries__`), böylece gerçek alt sınıflar normal bir metasınıfı korur ve `inspect.signature` sahtenin yerine gerçek `__init__` değerlerini okur. ## MiniCPMOcrVisionModel[[transformers.MiniCPMOcrVisionModel]] #### transformers.MiniCPMOcrVisionModel[[transformers.MiniCPMOcrVisionModel]] ```python transformers.MiniCPMOcrVisionModel(config: MiniCPMOcrVisionConfig) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L410) #### forward[[transformers.MiniCPMOcrVisionModel.forward]] ```python forward(pixel_values, target_sizes: typing.Optional[torch.IntTensor] = None, use_vit_merger: bool = True, **kwargs: *) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L442) **Parametreler:** pixel_values (`` of shape `(batch_size, num_channels, image_size, image_size)`) : Girdi görüntülerine karşılık gelen tensörler. Piksel değerleri [MiniCPMOcrImageProcessor](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor) kullanılarak elde edilebilir. Ayrıntılar için [MiniCPMOcrImageProcessor.__call__()](/docs/transformers/main/tr/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) bölümüne bakınız ([MiniCPMOcrProcessor](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrProcessor), görüntü işleme için [MiniCPMOcrImageProcessor](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor) kullanır). target_sizes (`torch.IntTensor`, şekli `(batch_size, 2)`, *isteğe bağlı*) : Konum gömme hesaplamaları için yama ızgara boyutları `(h, w)`. use_vit_merger (`bool`, *isteğe bağlı*, varsayılan `True`) : Kodlayıcıdan sonra ViT pencere-dikkat birleştiricisinin uygulanıp uygulanmayacağı. **Dönüş:** [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya `tuple(torch.Tensor)` [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya bir `torch.Tensor` demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda); yapılandırma ([MiniCPMOcrConfig](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur. [MiniCPMOcrVisionModel](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrVisionModel) forward metodu, `__call__` özel metodunu geçersiz kılar. İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine `Module` örneğini çağırmak gerekir; çünkü ilki ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar. - **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin son katmanının çıktısındaki gizli durumlar dizisi. - **pooler_output** (`torch.Tensor`, şekli `(batch_size, hidden_size)`) -- Sıralamanın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlardan geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonundan geçirildikten sonraki halini döndürür. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir. - **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet. Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları. - **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`. Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılır. ## MiniCPMOcrModel[[transformers.MiniCPMOcrModel]] #### transformers.MiniCPMOcrModel[[transformers.MiniCPMOcrModel]] ```python transformers.MiniCPMOcrModel(config: MiniCPMOcrConfig) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L593) **Parametreler:** config ([MiniCPMOcrConfig](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine göz atın. Dil modelleme başlığı olmadan, bir görme omurgası ve bir dil modelinden oluşan MiniCPMOcr modeli. Bu model [PreTrainedModel](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın. Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun. #### forward[[transformers.MiniCPMOcrModel.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, target_sizes: typing.Optional[torch.IntTensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, target_sizes_videos: typing.Optional[torch.IntTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: list[torch.Tensor] | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, downsample_mode: str | None = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L662) **Parametreler:** input_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Sözlükteki girdi dizisi belirteçlerinin (token) indeksleri. Varsayılan olarak dolgu (padding) yoksayılır. İndeksler [AutoTokenizer](/docs/transformers/main/tr/model_doc/auto#transformers.AutoTokenizer) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) yöntemlerine bakın. [Girdi kimlikları (input IDs) nedir?](../glossary#input-ids) pixel_values (`torch.Tensor`, *isteğe bağlı*) : Görseller için piksel değer yamaları, NaViT paketlenmiş. target_sizes (`torch.IntTensor`, *isteğe bağlı*) : Her görüntü için yükseklik ve genişlik (yama cinsinden). pixel_values_videos (`torch.Tensor`, *isteğe bağlı*) : Video kareleri için piksel değer yamaları, NaViT paketlenmiş. target_sizes_videos (`torch.IntTensor`, *isteğe bağlı*) : Her video karesi için yükseklik ve genişlik (yama cinsinden). attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri: - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0. [Dikkat maskeleri nelerdir?](../glossary#attention-mask) position_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Girdi dizisi token'larının konum gömme (position embeddings) içindeki konum indeksleri. `[0, config.n_positions - 1]` aralığında seçilir. [Konum kimlikleri (position IDs) nedir?](../glossary#position-ids) past_key_values (`list[torch.Tensor]`, *isteğe bağlı*) : Sıralı çözümlemeyi hızlandırmak için kullanılabilen, önceden hesaplanmış gizli durumlar (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler). Bu genellikle, `use_cache=True` veya `config.use_cache=True` olduğunda, çözümlemenin önceki bir aşamasında modelin döndürdüğü `past_key_values` değerlerinden oluşur. Girdi olarak yalnızca [Cache](/docs/transformers/main/tr/internal/generation_utils#transformers.Cache) örneği kabul edilir, bkz. [kv cache kılavuzu](https://huggingface.co/docs/transformers/en/kv_cache). `past_key_values` geçirilmezse, varsayılan olarak [DynamicCache](/docs/transformers/main/tr/internal/generation_utils#transformers.DynamicCache) başlatılır. Model, girdi olarak verilen aynı önbellek biçimini çıktı olarak verecektir. `past_key_values` kullanılıyorsa, kullanıcının, bu modele geçmiş anahtar-değer durumları verilmemiş olan, yalnızca işlenmemiş `input_ids` değerlerini (şekli `(batch_size, unprocessed_length)` olan) girmesi beklenir; bunun yerine, şekli `(batch_size, sequence_length)` olan tüm `input_ids` değerleri girilmez. inputs_embeds (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`, *isteğe bağlı*) : `input_ids` parametresini iletmek yerine, gömülü bir temsil doğrudan iletmeyi tercih edebilirsiniz. Bu, `input_ids` indekslerini ilgili vektörlere dönüştürme biçimi üzerinde modelin dahili gömme arama matrisine kıyasla daha fazla kontrol sahibi olmak istiyorsanız faydalıdır. use_cache (`bool`, *isteğe bağlı*) : `True` olarak ayarlanırsa, `past_key_values` anahtar değer durumları döndürülür ve çözümlemeyi hızlandırmak için kullanılabilir (bkz. `past_key_values`). downsample_mode (`str`, *isteğe bağlı*) : `"4x"`, 4 kat daha fazla görsel tokeni korur; varsayılan `"16x"` tam birleştirme uygular. mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *isteğe bağlı*) : Anahtarları desteklenen modaliteler, değerleri ise o modalite için kodlanmış çıktılar olan bir sözlük. Her kodlanmış çıktı, (`pooler_output`, *isteğe bağlı*: `last_hidden_states`, *isteğe bağlı*: `hidden_states`, *isteğe bağlı*: `attentions`) `pooler_output` `(batch_size, sequence_length, hidden_size)` boyutunda, *isteğe bağlı*) şeklindedir ve kodlayıcının çok modlu özelliklerinin metin gömme (embedding) değerleriyle birleştirilmiş bir dizisidir. **Dönüş:** [BaseModelOutputWithPast](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) veya `tuple(torch.Tensor)` [BaseModelOutputWithPast](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) veya bir `torch.Tensor` demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda); yapılandırma ([MiniCPMOcrConfig](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur. [MiniCPMOcrModel](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrModel) forward metodu, `__call__` özel metodunu geçersiz kılar. İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine `Module` örneğini çağırmak gerekir; çünkü ilki ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar. - **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin son katmanının çıktısındaki gizli durumlar dizisi. `past_key_values` kullanılırsa, yalnızca `(batch_size, 1, hidden_size)` biçimindeki dizilerin son gizli durumu (hidden-state) çıktı olarak verilir. - **past_key_values** (`Cache`, *isteğe bağlı*, `use_cache=True` geçirildiğinde veya `config.use_cache=True` olduğunda döndürülür) -- Bir [Cache](/docs/transformers/main/tr/internal/generation_utils#transformers.Cache) örneğidir. Daha fazla ayrıntı için [kv cache kılavuzumuza](https://huggingface.co/docs/transformers/en/kv_cache) bakın. Sıralı çözümlemeyi hızlandırmak için (bkz. `past_key_values` girdisi) kullanılabilen, önceden hesaplanmış gizli durumları (self-attention bloklarındaki anahtar ve değerler ve isteğe bağlı olarak `config.is_encoder_decoder=True` ise cross-attention bloklarındaki anahtar ve değerler) içerir. - **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet. Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları. - **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`. Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılır. #### get_image_features[[transformers.MiniCPMOcrModel.get_image_features]] ```python get_image_features(pixel_values: Tensor, target_sizes: IntTensor, downsample_mode: str | None = None, **kwargs: *) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L602) **Parametreler:** pixel_values (`torch.Tensor`, şekli `(batch_size, num_channels, image_size, image_size)`) : Girdi görüntülerine karşılık gelen tensörler. Piksel değerleri [MiniCPMOcrImageProcessor](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor) kullanılarak elde edilebilir. Ayrıntılar için [MiniCPMOcrImageProcessor.__call__()](/docs/transformers/main/tr/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) bölümüne bakın ([MiniCPMOcrProcessor](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrProcessor), görüntü işleme için [MiniCPMOcrImageProcessor](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor) kullanır). target_sizes (`torch.IntTensor`, şekli `(num_images, 2)`) : Her bir görüntünün yüksekliği ve genişliği (patch cinsinden). downsample_mode (`str`, *isteğe bağlı*) : `"4x"` olarak ayarlandığında ara `vit_merger` atlanır ve böylece her görüntü `4×` daha fazla görsel token korur. Varsayılan `"16x"` modu tam birleştirme hattını uygular. **Dönüş:** [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya `tuple(torch.Tensor)` [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya bir `torch.Tensor` demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda); yapılandırma ([MiniCPMOcrConfig](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur. Görsel özellikleri çıkarın: görsel kodlayıcı, ardından birleştirici, sonra MLP birleştirici. - **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin son katmanının çıktısındaki gizli durumlar dizisi. - **pooler_output** (`torch.Tensor`, şekli `(batch_size, hidden_size)`) -- Sıralamanın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlardan geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonundan geçirildikten sonraki halini döndürür. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir. - **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet. Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları. - **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`. Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılır. #### get_video_features[[transformers.MiniCPMOcrModel.get_video_features]] ```python get_video_features(pixel_values_videos: Tensor, target_sizes_videos: IntTensor, downsample_mode: str | None = None, **kwargs: *) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L743) **Parametreler:** pixel_values_videos (`torch.Tensor`, şekli `(1, channels, patch_size, seq_len)`) : Tüm video kareleri için NaViT paketli piksel yamaları. Video işleyicisi, her karenin yamalarını son boyut boyunca tek bir diziye birleştirir; bu, boyut-0 = 1 olan ve görüntü paketleme biçimiyle aynı olan bir dizidir. target_sizes_videos (`torch.IntTensor`, şekli `(num_patches, 2)`) : Her görsel birimin yüksekliği ve genişliği (patch cinsinden). downsample_mode (`str`, *isteğe bağlı*) : `"4x"` olarak ayarlandığında ara `vit_merger` atlanır ve böylece her kare `4×` daha fazla görsel token korur. Varsayılan `"16x"` modu tam birleştirme hattını uygular. **Dönüş:** [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya `tuple(torch.Tensor)` [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya bir `torch.Tensor` demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda); yapılandırma ([MiniCPMOcrConfig](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur. Video özelliklerini çıkarın: kareleri NaViT biçimine yeniden paketleyin, ardından görsel kodlayıcı + birleştirici. - **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin son katmanının çıktısındaki gizli durumlar dizisi. - **pooler_output** (`torch.Tensor`, şekli `(batch_size, hidden_size)`) -- Sıralamanın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlardan geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonundan geçirildikten sonraki halini döndürür. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir. - **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet. Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları. - **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`. Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılır. ## MiniCPMOcrForConditionalGeneration[[transformers.MiniCPMOcrForConditionalGeneration]] #### transformers.MiniCPMOcrForConditionalGeneration[[transformers.MiniCPMOcrForConditionalGeneration]] ```python transformers.MiniCPMOcrForConditionalGeneration(config: MiniCPMOcrConfig) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L779) **Parametreler:** config ([MiniCPMOcrConfig](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine göz atın. Diğer modalitelerle (ör. görsel-metin-metin üretimi) koşullu jeton üretimi için Minicpm Ocr Modeli. Bu model [PreTrainedModel](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın. Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun. #### forward[[transformers.MiniCPMOcrForConditionalGeneration.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, target_sizes: typing.Optional[torch.IntTensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, target_sizes_videos: typing.Optional[torch.IntTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: list[torch.Tensor] | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, downsample_mode: str | None = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L790) **Parametreler:** input_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Sözlükteki girdi dizisi belirteçlerinin (token) indeksleri. Varsayılan olarak dolgu (padding) yoksayılır. İndeksler [AutoTokenizer](/docs/transformers/main/tr/model_doc/auto#transformers.AutoTokenizer) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) yöntemlerine bakın. [Girdi kimlikları (input IDs) nedir?](../glossary#input-ids) pixel_values (`torch.Tensor`, *isteğe bağlı*) : Görseller için piksel değer yamaları, NaViT paketlenmiş. target_sizes (`torch.IntTensor`, *isteğe bağlı*) : Her görüntü için yükseklik ve genişlik (yama cinsinden). pixel_values_videos (`torch.Tensor`, *isteğe bağlı*) : Video kareleri için piksel değer yamaları, NaViT paketlenmiş. target_sizes_videos (`torch.IntTensor`, *isteğe bağlı*) : Her video karesi için yükseklik ve genişlik (yama cinsinden). attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri: - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0. [Dikkat maskeleri nelerdir?](../glossary#attention-mask) position_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Girdi dizisi token'larının konum gömme (position embeddings) içindeki konum indeksleri. `[0, config.n_positions - 1]` aralığında seçilir. [Konum kimlikleri (position IDs) nedir?](../glossary#position-ids) past_key_values (`list[torch.Tensor]`, *isteğe bağlı*) : Sıralı çözümlemeyi hızlandırmak için kullanılabilen, önceden hesaplanmış gizli durumlar (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler). Bu genellikle, `use_cache=True` veya `config.use_cache=True` olduğunda, çözümlemenin önceki bir aşamasında modelin döndürdüğü `past_key_values` değerlerinden oluşur. Girdi olarak yalnızca [Cache](/docs/transformers/main/tr/internal/generation_utils#transformers.Cache) örneği kabul edilir, bkz. [kv cache kılavuzu](https://huggingface.co/docs/transformers/en/kv_cache). `past_key_values` geçirilmezse, varsayılan olarak [DynamicCache](/docs/transformers/main/tr/internal/generation_utils#transformers.DynamicCache) başlatılır. Model, girdi olarak verilen aynı önbellek biçimini çıktı olarak verecektir. `past_key_values` kullanılıyorsa, kullanıcının, bu modele geçmiş anahtar-değer durumları verilmemiş olan, yalnızca işlenmemiş `input_ids` değerlerini (şekli `(batch_size, unprocessed_length)` olan) girmesi beklenir; bunun yerine, şekli `(batch_size, sequence_length)` olan tüm `input_ids` değerleri girilmez. inputs_embeds (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`, *isteğe bağlı*) : `input_ids` parametresini iletmek yerine, gömülü bir temsil doğrudan iletmeyi tercih edebilirsiniz. Bu, `input_ids` indekslerini ilgili vektörlere dönüştürme biçimi üzerinde modelin dahili gömme arama matrisine kıyasla daha fazla kontrol sahibi olmak istiyorsanız faydalıdır. labels (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Maskeli dil modelleme kaybını hesaplamak için etiketler. Endeksler `[0, ..., config.vocab_size]` aralığında olmalı ya da -100 olmalı (`input_ids` docstring'ine bakın). Endeksleri `-100` olarak ayarlanan tokenlar yok sayılır (maskelenir), kayıp yalnızca `[0, ..., config.vocab_size]` aralığında etiketlere sahip tokenlar için hesaplanır. use_cache (`bool`, *isteğe bağlı*) : `True` olarak ayarlanırsa, `past_key_values` anahtar değer durumları döndürülür ve çözümlemeyi hızlandırmak için kullanılabilir (bkz. `past_key_values`). downsample_mode (`str`, *isteğe bağlı*) : `"4x"`, 4 kat daha fazla görsel tokeni korur; varsayılan `"16x"` tam birleştirme uygular. mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *isteğe bağlı*) : Anahtarları desteklenen modaliteler, değerleri ise o modalite için kodlanmış çıktılar olan bir sözlük. Her kodlanmış çıktı, (`pooler_output`, *isteğe bağlı*: `last_hidden_states`, *isteğe bağlı*: `hidden_states`, *isteğe bağlı*: `attentions`) `pooler_output` `(batch_size, sequence_length, hidden_size)` boyutunda, *isteğe bağlı*) şeklindedir ve kodlayıcının çok modlu özelliklerinin metin gömme (embedding) değerleriyle birleştirilmiş bir dizisidir. **Dönüş:** [CausalLMOutputWithPast](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) veya `tuple(torch.Tensor)` [CausalLMOutputWithPast](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) veya bir `torch.Tensor` demeti (eğer `return_dict=False` geçirildiyse veya `config.return_dict=False` ise), yapılandırma ([MiniCPMOcrConfig](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur. [MiniCPMOcrForConditionalGeneration](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrForConditionalGeneration) forward metodu, `__call__` özel metodunu geçersiz kılar. İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine `Module` örneğini çağırmak gerekir; çünkü ilki ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar. - **loss** (`torch.Tensor`, şekli `(1,)`, *isteğe bağlı*, `labels` sağlandığında döndürülür) -- Dil modelleme kaybı (sonraki token tahmini için). - **logits** (`torch.Tensor`, şekli `(batch_size, sequence_length, config.vocab_size)`) -- Dil modelleme başlığının tahmin puanları (SoftMax öncesi her sözlük jetonu için puanlar). - **past_key_values** (`Cache`, *isteğe bağlı*, `use_cache=True` geçirildiğinde veya `config.use_cache=True` olduğunda döndürülür) -- Bir [Cache](/docs/transformers/main/tr/internal/generation_utils#transformers.Cache) örneğidir. Daha fazla ayrıntı için [kv cache kılavuzumuza](https://huggingface.co/docs/transformers/en/kv_cache) bakın. Sıralı çözümlemeyi hızlandırmak için (bkz. `past_key_values` girdisi) kullanılabilen, önceden hesaplanmış gizli durumları (self-attention bloklarındaki anahtar ve değerler) içerir. - **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet. Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları. - **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`. Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılır. Örnek: ```python >>> from PIL import Image >>> from transformers import AutoProcessor, MiniCPMOcrForConditionalGeneration >>> model = MiniCPMOcrForConditionalGeneration.from_pretrained("openbmb/MiniCPM-OCR-1.0") >>> processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0") >>> messages = [ ... { ... "role": "user", "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "Where is the cat standing?"}, ... ] ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... add_generation_prompt=True ... ) >>> # Generate >>> generate_ids = model.generate(**inputs) >>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0] ``` #### get_image_features[[transformers.MiniCPMOcrForConditionalGeneration.get_image_features]] ```python get_image_features(*args, **kwargs) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L854) **Dönüş:** [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya `tuple(torch.Tensor)` [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya bir `torch.Tensor` demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda); yapılandırma ([MiniCPMOcrConfig](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur. Görsel özellikleri çıkarın: görsel kodlayıcı, ardından birleştirici, sonra MLP birleştirici. - **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin son katmanının çıktısındaki gizli durumlar dizisi. - **pooler_output** (`torch.Tensor`, şekli `(batch_size, hidden_size)`) -- Sıralamanın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlardan geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonundan geçirildikten sonraki halini döndürür. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir. - **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet. Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları. - **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`. Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılır. Örnek: ```python >>> from PIL import Image >>> from transformers import AutoProcessor, MiniCPMOcrForConditionalGeneration >>> model = MiniCPMOcrForConditionalGeneration.from_pretrained("openbmb/MiniCPM-OCR-1.0") >>> processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0") >>> messages = [ ... { ... "role": "user", "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "Where is the cat standing?"}, ... ] ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... add_generation_prompt=True ... ) >>> # Generate >>> generate_ids = model.generate(**inputs) >>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0] ``` #### get_video_features[[transformers.MiniCPMOcrForConditionalGeneration.get_video_features]] ```python get_video_features(*args, **kwargs) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L858) **Dönüş:** [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya `tuple(torch.Tensor)` [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya bir `torch.Tensor` demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda); yapılandırma ([MiniCPMOcrConfig](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur. Video özelliklerini çıkarın: kareleri NaViT biçimine yeniden paketleyin, ardından görsel kodlayıcı + birleştirici. - **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin son katmanının çıktısındaki gizli durumlar dizisi. - **pooler_output** (`torch.Tensor`, şekli `(batch_size, hidden_size)`) -- Sıralamanın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlardan geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonundan geçirildikten sonraki halini döndürür. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir. - **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet. Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları. - **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`. Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılır. Örnek: ```python >>> from PIL import Image >>> from transformers import AutoProcessor, MiniCPMOcrForConditionalGeneration >>> model = MiniCPMOcrForConditionalGeneration.from_pretrained("openbmb/MiniCPM-OCR-1.0") >>> processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0") >>> messages = [ ... { ... "role": "user", "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "Where is the cat standing?"}, ... ] ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... add_generation_prompt=True ... ) >>> # Generate >>> generate_ids = model.generate(**inputs) >>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0] ``` ## MiniCPMOcrProcessor[[transformers.MiniCPMOcrProcessor]] #### transformers.MiniCPMOcrProcessor[[transformers.MiniCPMOcrProcessor]] ```python transformers.MiniCPMOcrProcessor(image_processor = None, video_processor = None, tokenizer = None, chat_template = None, **kwargs) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/processing_minicpm_ocr.py#L47) **Parametreler:** image_processor (`MiniCPMOcrImageProcessor`) : Görüntü işleyici zorunlu bir girdidir. video_processor (`MiniCPMOcrVideoProcessor`) : Video işleyici zorunlu bir girdidir. tokenizer (`TokenizersBackend`) : Tokenizer zorunlu bir girdidir. chat_template (`str`) : Bir sohbet içindeki mesaj listelerini tokenize edilebilir bir metne dönüştürmek için kullanılan bir Jinja şablonu. Bir görüntü işleyiciyi, bir video işleyiciyi ve bir belirteçleyiciyi tek bir işleyicide birleştiren bir MiniCPMOcrProcessor oluşturur. [MiniCPMOcrProcessor](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrProcessor), [MiniCPMOcrImageProcessor](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor), [MiniCPMOcrVideoProcessor](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrVideoProcessor) ve [TokenizersBackend](/docs/transformers/main/tr/main_classes/tokenizer#transformers.TokenizersBackend)'nin tüm işlevlerini sunar. Daha fazla bilgi için [~MiniCPMOcrImageProcessor](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor), [~MiniCPMOcrVideoProcessor](/docs/transformers/main/tr/model_doc/minicpm_ocr#transformers.MiniCPMOcrVideoProcessor) ve [~TokenizersBackend](/docs/transformers/main/tr/main_classes/tokenizer#transformers.TokenizersBackend) belgelerine bakın. #### __call__[[transformers.MiniCPMOcrProcessor.__call__]] ```python __call__(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = None, text: str | list[str] | list[list[str]] | None = None, videos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]], NoneType] = None, **kwargs: *) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/processing_minicpm_ocr.py#L70) **Parametreler:** images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`, *isteğe bağlı*) : Ön işleme tabi tutulacak görüntü. Piksel değerleri 0 ile 255 arasında değişen tek bir görüntü veya görüntü grubu beklenir. Piksel değerleri 0 ile 1 arasında olan görüntüler geçiriliyorsa `do_rescale=False` olarak ayarlayın. text (`Union[str, list[str], list[list[str]]]`, *isteğe bağlı*) : Kodlanacak dizi veya dizi topluluğu. Her dizi bir metin veya metin listesi (önceden tokenize edilmiş metin) olabilir. Önceden tokenize edilmiş bir girdi geçirirseniz, toplu girdilerle karışıklığı önlemek için `is_split_into_words=True` değerini ayarlayın. videos (`Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]]`, *isteğe bağlı*) : Ön işleme tabi tutulacak video. Piksel değerleri 0 ile 255 arasında değişen tek bir video veya video grubu beklenir. Piksel değerleri 0 ile 1 arasında olan videoları geçiriyorsanız, `do_rescale=False` olarak ayarlayın. return_tensors (`str` veya [TensorType](/docs/transformers/main/tr/internal/file_utils#transformers.TensorType), *opsiyonel*) : Ayarlanırsa, belirli bir çerçeveye ait tensörleri döndürür. Kabul edilen değerler: - `'pt'`: PyTorch `torch.Tensor` nesnelerini döndürür. - `'np'`: NumPy `np.ndarray` nesnelerini döndürür. - ****kwargs** ([ProcessingKwargs](/docs/transformers/main/tr/main_classes/processors#transformers.ProcessingKwargs), *opsiyonel*) : Her modalite (metin, görüntüler, videolar, ses) için ek işleme seçenekleri. Modelle ilgili parametreler yukarıda listelenmiştir; desteklenen argümanların tam listesi için TypedDict sınıfına bakın. ## MiniCPMOcrImageProcessor[[transformers.MiniCPMOcrImageProcessor]] #### transformers.MiniCPMOcrImageProcessor[[transformers.MiniCPMOcrImageProcessor]] ```python transformers.MiniCPMOcrImageProcessor(**kwargs: *) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/image_processing_minicpm_ocr.py#L139) **Parametreler:** do_convert_rgb (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Görselin RGB'ye dönüştürülüp dönüştürülmeyeceği. do_resize (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Görselin yeniden boyutlandırılıp boyutlandırılmayacağı. size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Modelin kabul ettiği maksimum giriş boyutlarını açıklar. default_to_square (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : boyut bir int ise yeniden boyutlandırma sırasında varsayılan olarak kare bir görüntü kullanılıp kullanılmayacağını belirtir. crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : *center_crop* uygulandıktan sonra çıktı görüntüsünün boyutu. resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*, varsayılan *3*) : Görsel yeniden boyutlandırılıyorsa kullanılacak yeniden örnekleme filtresi. Bu, *PILImageResampling* enum'larından biri olabilir. Yalnızca *do_resize* *True* olarak ayarlanırsa etkilidir. do_rescale (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Görselin yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir. rescale_factor (*float*, *kwargs*, *opsiyonel*, varsayılan *0.00392156862745098*) : *do_rescale* *True* olarak ayarlandığında görüntüyü yeniden ölçeklemek için kullanılan yeniden ölçekleme faktörü. do_normalize (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Görüntünün normalize edilip edilmeyeceğini belirtir. image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *opsiyonel*, varsayılan *[0.5, 0.5, 0.5]*) : Normalizasyon için kullanılacak görüntü ortalaması. Yalnızca *do_normalize* *True* olarak ayarlanırsa etkilidir. image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *opsiyonel*, varsayılan *[0.5, 0.5, 0.5]*) : Normalizasyon için kullanılacak görüntü standart sapması. Yalnızca *do_normalize* *True* olarak ayarlanırsa etkilidir. do_pad (*bool*, *kwargs*, *opsiyonel*) : Görüntünün dolgu (padding) uygulanıp uygulanmayacağını belirtir. Dolgu, ya batch içindeki en büyük boyuta ya da görüntü başına sabit bir kare boyutuna göre yapılır. Kesin dolgu stratejisi modele bağlıdır. pad_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Görsellerin boyutlandırılacağı *{"height": int, "width" int}* boyutu. Ön işleme için sağlanan herhangi bir görsel boyutundan büyük olmalıdır. *pad_size* sağlanmazsa, görseller partideki en büyük yüksekliğe ve genişliğe boyutlandırılır. Yalnızca *do_pad=True* olduğunda uygulanır. do_center_crop (*bool*, *kwargs*, *opsiyonel*) : Görselin merkezden kırpılıp kırpılmayacağını belirtir. data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *isteğe bağlı*) : Yalnızca *ChannelDimension.FIRST* desteklenir. Yavaş işleyicilerle uyumluluk için eklendi. input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *opsiyonel*) : Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, kanal boyutu biçimi girdi görüntüsünden çıkarılır. Aşağıdakilerden biri olabilir: - *"channels_first"* veya *ChannelDimension.FIRST*: (num_channels, height, width) biçiminde görüntü. - *"channels_last"* veya *ChannelDimension.LAST*: (height, width, num_channels) biçiminde görüntü. - *"none"* veya *ChannelDimension.NONE*: (height, width) biçiminde görüntü. device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : Videoların işleneceği cihaz. Ayarlanmamışsa, cihaz girdi videolarından çıkarılır. return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : *'pt'* olarak ayarlanırsa yığılmış tensörleri, aksi takdirde tensör listesini döndürür. disable_grouping (*bool*, *kwargs*, *opsiyonel*) : Görsellerin boyuta göre gruplandırılmasını devre dışı bırakıp onları toplu olarak değil de bireysel işlemek için kullanılır. None ise, görseller CPU üzerindeyse True, aksi halde False olarak ayarlanır. Bu seçim, buradaki ayrıntılı açıklamalara da bakılarak ampirik gözlemlere dayanmaktadır: https://github.com/huggingface/transformers/pull/38157 image_seq_length (*int*, *kwargs*, *optional*) : Girdideki her görüntü için kullanılacak görüntü jetonlarının sayısı. Geriye dönük uyumluluk için eklendi ancak gelecekteki modellerde bu, bir işlemci özniteliği olarak ayarlanmalıdır. max_slice_nums (*int*, *kwargs*, *optional*, varsayılan 9) : Yüksek çözünürlüklü bir görüntü bölündüğünde dilimlerin maksimum sayısı. scale_resolution (*int*, *kwargs*, *opsiyonel*, varsayılan 448) : Bireysel dilimler için hedef çözünürlük. patch_size (*int*, *kwargs*, *optional*, varsayılan 14) : Görüntü kodlayıcısının uzamsal yama boyutu. slice_mode (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Daha yüksek çözünürlük için görüntülerin birden çok dilime ayrılıp ayrılmayacağı. downsample_mode (*str*, *kwargs*, *isteğe bağlı*, varsayılan *"4x"*) : Görsel token indirgeme modu. *"4x"*, tam birleştirme uygulayan *"16x"*'ten 4 kat daha fazla tokenı korur. Çağrı başına geçersiz kılma desteklenir. use_image_id (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Her görsel yer tutucusundan önce bir görsel kimlik etiketi (`N`) eklenip eklenmeyeceğini belirtir. Bu parametre, görsel işleme hattının kendisi tarafından değil, yer tutucu üretimi için Processor tarafından kullanılır. small_image_upsize (*str*, *kwargs*, *opsiyonel*, varsayılan *"always"*) : *scale_resolution* karesinden daha büyük olmayan görüntülerin ve dilimlerin nasıl yeniden boyutlandırılacağını belirtir. *"always"* bunları *scale_resolution* boyutuna ölçekler, *"never"* yerel çözünürlüklerini yama ızgarasına hizalı olarak korur ve *"adaptive"* glif boyutuna ve yoğunluğuna göre görüntü ve dilim bazında seçim yapar (OpenCV gerektirir, bkz. [*adaptive_upsize_resolution*]). Bir MiniCPMOcrImageProcessor görüntü işleyicisi oluşturur. #### preprocess[[transformers.MiniCPMOcrImageProcessor.preprocess]] ```python preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], **kwargs: *) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/image_processing_minicpm_ocr.py#L246) **Parametreler:** images (*Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]*) : Ön işleme tabi tutulacak görüntü. Piksel değerleri 0 ile 255 arasında değişen tek bir görüntü veya görüntü grubu beklenir. Piksel değerleri 0 ile 1 arasında olan görüntüler geçiriliyorsa *do_rescale=False* olarak ayarlayın. do_convert_rgb (*bool*, *kwargs*, *opsiyonel*) : Görselin RGB'ye dönüştürülüp dönüştürülmemesi. do_resize (*bool*, *kwargs*, *opsiyonel*) : Görselin yeniden boyutlandırılıp boyutlandırılmayacağı. size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Modelin kabul ettiği maksimum giriş boyutlarını açıklar. default_to_square (*bool*, *kwargs*, *opsiyonel*) : Boyut bir int ise, yeniden boyutlandırma sırasında varsayılan olarak kare bir görsel kullanılıp kullanılmayacağını belirtir. crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : *center_crop* uygulandıktan sonra çıktı görüntüsünün boyutu. resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*) : Görsel yeniden boyutlandırılıyorsa kullanılacak yeniden örnekleme filtresi. Bu, *PILImageResampling* enum'larından biri olabilir. Yalnızca *do_resize* *True* olarak ayarlanırsa etkilidir. do_rescale (*bool*, *kwargs*, *opsiyonel*) : Görselin yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir. rescale_factor (*float*, *kwargs*, *opsiyonel*) : *do_rescale* *True* olarak ayarlanırsa görüntüyü yeniden ölçeklemek için yeniden ölçekleme faktörü. do_normalize (*bool*, *kwargs*, *opsiyonel*) : Görüntünün normalize edilip edilmeyeceğini belirtir. image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *opsiyonel*) : Normalizasyon için kullanılacak görüntü ortalaması. Yalnızca *do_normalize* *True* olarak ayarlanırsa etkilidir. image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *opsiyonel*) : Normalizasyon için kullanılacak görüntü standart sapması. Yalnızca *do_normalize* *True* olarak ayarlanırsa etkilidir. do_pad (*bool*, *kwargs*, *opsiyonel*) : Görüntünün dolgu (padding) uygulanıp uygulanmayacağını belirtir. Dolgu, ya batch içindeki en büyük boyuta ya da görüntü başına sabit bir kare boyutuna göre yapılır. Kesin dolgu stratejisi modele bağlıdır. pad_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Görsellerin boyutlandırılacağı *{"height": int, "width" int}* boyutu. Ön işleme için sağlanan herhangi bir görsel boyutundan büyük olmalıdır. *pad_size* sağlanmazsa, görseller partideki en büyük yüksekliğe ve genişliğe boyutlandırılır. Yalnızca *do_pad=True* olduğunda uygulanır. do_center_crop (*bool*, *kwargs*, *opsiyonel*) : Görselin merkezden kırpılıp kırpılmayacağını belirtir. data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *isteğe bağlı*) : Yalnızca *ChannelDimension.FIRST* desteklenir. Yavaş işleyicilerle uyumluluk için eklendi. input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *opsiyonel*) : Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, kanal boyutu biçimi girdi görüntüsünden çıkarılır. Aşağıdakilerden biri olabilir: - *"channels_first"* veya *ChannelDimension.FIRST*: (num_channels, height, width) biçiminde görüntü. - *"channels_last"* veya *ChannelDimension.LAST*: (height, width, num_channels) biçiminde görüntü. - *"none"* veya *ChannelDimension.NONE*: (height, width) biçiminde görüntü. device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : Videoların işleneceği cihaz. Ayarlanmamışsa, cihaz girdi videolarından çıkarılır. return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : *'pt'* olarak ayarlanırsa yığılmış tensörleri, aksi takdirde tensör listesini döndürür. disable_grouping (*bool*, *kwargs*, *opsiyonel*) : Görsellerin boyuta göre gruplandırılmasını devre dışı bırakıp onları toplu olarak değil de bireysel işlemek için kullanılır. None ise, görseller CPU üzerindeyse True, aksi halde False olarak ayarlanır. Bu seçim, buradaki ayrıntılı açıklamalara da bakılarak ampirik gözlemlere dayanmaktadır: https://github.com/huggingface/transformers/pull/38157 image_seq_length (*int*, *kwargs*, *optional*) : Girdideki her görüntü için kullanılacak görüntü jetonlarının sayısı. Geriye dönük uyumluluk için eklendi ancak gelecekteki modellerde bu, bir işlemci özniteliği olarak ayarlanmalıdır. max_slice_nums (*int*, *kwargs*, *optional*, varsayılan 9) : Yüksek çözünürlüklü bir görüntü bölündüğünde dilimlerin maksimum sayısı. scale_resolution (*int*, *kwargs*, *opsiyonel*, varsayılan 448) : Bireysel dilimler için hedef çözünürlük. patch_size (*int*, *kwargs*, *optional*, varsayılan 14) : Görüntü kodlayıcısının uzamsal yama boyutu. slice_mode (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Daha yüksek çözünürlük için görüntülerin birden çok dilime ayrılıp ayrılmayacağı. downsample_mode (*str*, *kwargs*, *isteğe bağlı*, varsayılan *"4x"*) : Görsel token indirgeme modu. *"4x"*, tam birleştirme uygulayan *"16x"*'ten 4 kat daha fazla tokenı korur. Çağrı başına geçersiz kılma desteklenir. use_image_id (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Her görsel yer tutucusundan önce bir görsel kimlik etiketi (`N`) eklenip eklenmeyeceğini belirtir. Bu parametre, görsel işleme hattının kendisi tarafından değil, yer tutucu üretimi için Processor tarafından kullanılır. small_image_upsize (*str*, *kwargs*, *opsiyonel*, varsayılan *"always"*) : *scale_resolution* karesinden daha büyük olmayan görüntülerin ve dilimlerin nasıl yeniden boyutlandırılacağını belirtir. *"always"* bunları *scale_resolution* boyutuna ölçekler, *"never"* yerel çözünürlüklerini yama ızgarasına hizalı olarak korur ve *"adaptive"* glif boyutuna ve yoğunluğuna göre görüntü ve dilim bazında seçim yapar (OpenCV gerektirir, bkz. [*adaptive_upsize_resolution*]). **Dönüş:** `*~feature_extraction_utils.BatchFeature*` - **data** (*dict*, *isteğe bağlı*) -- __call__/pad yöntemleri tarafından döndürülen listelerin/dizilerin/tensörlerin sözlüğü ('input_values', 'attention_mask' vb.). - **tensor_type** (*Union[None, str, TensorType]*, *isteğe bağlı*) -- Başlatma sırasında PyTorch/Numpy Tensörlerine dönüştürmek için tam sayı listelerini dönüştürmek üzere bir tensor_type verebilirsiniz. - **skip_tensor_conversion** (*list[str]* veya *set[str]*, *isteğe bağlı*) -- *tensor_type* belirtilse bile tensöre dönüştürülmemesi gereken anahtarların listesi veya kümesi. ## MiniCPMOcrVideoProcessor[[transformers.MiniCPMOcrVideoProcessor]] #### transformers.MiniCPMOcrVideoProcessor[[transformers.MiniCPMOcrVideoProcessor]] ```python transformers.MiniCPMOcrVideoProcessor(**kwargs: *) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/video_processing_minicpm_ocr.py#L77) **Parametreler:** do_convert_rgb (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Görselin RGB'ye dönüştürülüp dönüştürülmeyeceği. do_resize (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Görselin yeniden boyutlandırılıp boyutlandırılmayacağı. size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Modelin kabul ettiği maksimum giriş boyutlarını açıklar. default_to_square (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : boyut bir int ise yeniden boyutlandırma sırasında varsayılan olarak kare bir görüntü kullanılıp kullanılmayacağını belirtir. resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*, varsayılan *3*) : Görsel yeniden boyutlandırılıyorsa kullanılacak yeniden örnekleme filtresi. Bu, *PILImageResampling* enum'larından biri olabilir. Yalnızca *do_resize* *True* olarak ayarlanırsa etkilidir. do_rescale (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Görselin yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir. rescale_factor (*float*, *kwargs*, *opsiyonel*, varsayılan *0.00392156862745098*) : *do_rescale* *True* olarak ayarlandığında görüntüyü yeniden ölçeklemek için kullanılan yeniden ölçekleme faktörü. do_normalize (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Görüntünün normalize edilip edilmeyeceğini belirtir. image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *opsiyonel*, varsayılan *[0.5, 0.5, 0.5]*) : Normalizasyon için kullanılacak görüntü ortalaması. Yalnızca *do_normalize* *True* olarak ayarlanırsa etkilidir. image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *opsiyonel*, varsayılan *[0.5, 0.5, 0.5]*) : Normalizasyon için kullanılacak görüntü standart sapması. Yalnızca *do_normalize* *True* olarak ayarlanırsa etkilidir. do_center_crop (*bool*, *kwargs*, *opsiyonel*) : Görselin merkezden kırpılıp kırpılmayacağını belirtir. do_pad (*bool*, *kwargs*, *opsiyonel*) : Görüntünün dolgu (padding) uygulanıp uygulanmayacağını belirtir. Dolgu, ya batch içindeki en büyük boyuta ya da görüntü başına sabit bir kare boyutuna göre yapılır. Kesin dolgu stratejisi modele bağlıdır. crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : *center_crop* uygulandıktan sonra çıktı görüntüsünün boyutu. data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *isteğe bağlı*) : Yalnızca *ChannelDimension.FIRST* desteklenir. Yavaş işleyicilerle uyumluluk için eklendi. input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *opsiyonel*) : Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, kanal boyutu biçimi girdi görüntüsünden çıkarılır. Aşağıdakilerden biri olabilir: - *"channels_first"* veya *ChannelDimension.FIRST*: (num_channels, height, width) biçiminde görüntü. - *"channels_last"* veya *ChannelDimension.LAST*: (height, width, num_channels) biçiminde görüntü. - *"none"* veya *ChannelDimension.NONE*: (height, width) biçiminde görüntü. device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : Videoların işleneceği cihaz. Ayarlanmamışsa, cihaz girdi videolarından çıkarılır. do_sample_frames (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : İşleme başlamadan önce videodan kare örneklenip örneklenmeyeceği veya videonun tamamının işleneceği. video_metadata (*Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]*, *kwargs*) : Toplam süre, fps ve toplam kare sayısı hakkında bilgi içeren videonun metadata'sı. Videodan kare örneklemek veya zaman damgalarını hesaplamak için kullanılacaktır. Videoyu işlemden önce manuel olarak çözmeye çalışmıyorsanız herhangi bir metadata geçirmeyin fps (*Annotated[int | float | None, None]*, *kwargs*) : *do_sample_frames=True* olduğunda saniyede örneklenmesi hedeflenen kareler. num_frames (*Annotated[int | None, None]*, *kwargs*) : *do_sample_frames=True* olduğunda örneklenmesi gereken maksimum kare sayısı. return_metadata (*bool*, *kwargs*, *opsiyonel*, varsayılan *False*) : Video meta verilerinin döndürülüp döndürülmemesi. Video meta verileri, video süresi, fps, çözümleme arka ucu gibi bilgileri içeren bir nesnedir. return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : Ayarlanırsa, belirli bir çerçeveye ait tensörler döndürülür. Kabul edilen değerler: - *'pt'*: PyTorch *torch.Tensor* nesnelerini döndürür. - *'np'*: NumPy *np.ndarray* nesnelerini döndürür. max_num_frames (*int*, *kwargs*, *optional*, varsayılan 128) : Video başına örneklenmesi gereken ana karelerin maksimum sayısı. stack_frames (*int*, *kwargs*, *opsiyonel*, varsayılan 1) : Yığılmak üzere saniye başına alt kare sayısı. `1` yığılmayı devre dışı bırakır. max_slice_nums (*int*, *kwargs*, *optional*, varsayılan 9) : Yüksek çözünürlüklü bir görüntü bölündüğünde dilimlerin maksimum sayısı. scale_resolution (*int*, *kwargs*, *opsiyonel*, varsayılan 448) : Bireysel dilimler için hedef çözünürlük. patch_size (*int*, *kwargs*, *optional*, varsayılan 14) : Görüntü kodlayıcısının uzamsal yama boyutu. slice_mode (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Daha yüksek çözünürlük için görüntülerin birden çok dilime ayrılıp ayrılmayacağı. downsample_mode (*str*, *kwargs*, *opsiyonel*, varsayılan *"4x"*) : Görsel token indirgeme modu. *"4x"*, tam birleştirme uygulayan *"16x"*'ten 4 kat daha fazla token korur. use_image_id (*bool*, *kwargs*, *opsiyonel*, varsayılan *True*) : Her görsel yer tutucusundan önce bir görsel kimlik etiketi (`N`) eklenip eklenmeyeceğini belirtir. Bu parametre, görsel işleme hattının kendisi tarafından değil, yer tutucu üretimi için Processor tarafından kullanılır. - ****kwargs** ([*ProcessingKwargs*], *opsiyonel*) : Her modalite (metin, görüntüler, videolar, ses) için ek işleme seçenekleri. Modelle ilgili parametreler yukarıda listelenmiştir; desteklenen argümanların tam listesi için TypedDict sınıfına bakın. Bir MiniCPMOcrVideoProcessor video işleyicisi oluşturur. #### preprocess[[transformers.MiniCPMOcrVideoProcessor.preprocess]] ```python preprocess(videos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]]], **kwargs: *) ``` [Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/video_processing_minicpm_ocr.py#L292) **Parametreler:** videos (`Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]]`) : Ön işleme yapılacak video. Piksel değerleri 0 ile 255 arasında değişen tek bir video veya video partisi beklenir. Piksel değerleri 0 ile 1 arasında olan videolar geçiriliyorsa `do_rescale=False` olarak ayarlayın. do_convert_rgb (`bool`, *kwargs*, *isteğe bağlı*) : Görselin RGB'ye dönüştürülüp dönüştürülmeyeceği. do_resize (`bool`, *kwargs*, *isteğe bağlı*) : Görselin yeniden boyutlandırılıp boyutlandırılmayacağı. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Modelin kabul ettiği maksimum giriş boyutlarını açıklar. default_to_square (`bool`, *kwargs*, *opsiyonel*) : Boyut bir int ise, yeniden boyutlandırma sırasında varsayılan olarak kare bir görsel kullanılıp kullanılmayacağı. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Görsel yeniden boyutlandırılıyorsa kullanılacak yeniden örnekleme filtresi. Bu, `PILImageResampling` enum değerlerinden biri olabilir. Yalnızca `do_resize` `True` olarak ayarlanırsa etkilidir. do_rescale (`bool`, *kwargs*, *opsiyonel*) : Görselin yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir. rescale_factor (`float`, *kwargs*, *opsiyonel*) : `do_rescale` `True` olarak ayarlanırsa görüntüyü yeniden ölçeklemek için yeniden ölçekleme çarpanı. do_normalize (`bool`, *kwargs*, *isteğe bağlı*) : Görüntünün normalize edilip edilmeyeceğini belirtir. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsiyonel*) : Normalizasyon için kullanılacak görüntü ortalaması. Yalnızca `do_normalize` `True` olarak ayarlanırsa etkilidir. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsiyonel*) : Normalizasyon için kullanılacak görüntü standart sapması. Yalnızca `do_normalize` `True` olarak ayarlanırsa etkilidir. do_center_crop (`bool`, *kwargs*, *opsiyonel*) : Görselin merkezden kırpılıp kırpılmayacağını belirtir. do_pad (`bool`, *kwargs*, *isteğe bağlı*) : Görselin dolgu (padding) uygulanıp uygulanmayacağını belirtir. Dolgu, ya batch içindeki en büyük boyuta ya da görsel başına sabit bir kare boyuta yapılır. Kesin dolgu stratejisi modele bağlıdır. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : `center_crop` uygulandıktan sonra çıktı görüntüsünün boyutu. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *isteğe bağlı*) : Yalnızca `ChannelDimension.FIRST` desteklenir. Yavaş işleyicilerle uyumluluk için eklendi. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *isteğe bağlı*) : Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, kanal boyutu biçimi girdi görüntüsünden çıkarılır. Aşağıdakilerden biri olabilir: - `"channels_first"` veya `ChannelDimension.FIRST`: (num_channels, height, width) biçiminde görüntü. - `"channels_last"` veya `ChannelDimension.LAST`: (height, width, num_channels) biçiminde görüntü. - `"none"` veya `ChannelDimension.NONE`: (height, width) biçiminde görüntü. device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Videoların işleneceği cihaz. Ayarlanmamışsa, cihaz girdi videolarından çıkarılır. do_sample_frames (`bool`, *kwargs*, *isteğe bağlı*) : İşleme başlamadan önce videodan kare örneklenip örneklenmeyeceği veya videonun tamamının işleneceği. video_metadata (`Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]`, *kwargs*) : Toplam süre, fps ve toplam kare sayısı hakkında bilgi içeren videonun metadata'sı. Videodan kare örneklemek veya zaman damgalarını hesaplamak için kullanılacaktır. Videoyu işlemden önce manuel olarak çözmeye çalışmıyorsanız herhangi bir metadata geçirmeyin fps (`Annotated[int | float | None, None]`, *kwargs*) : `do_sample_frames=True` olduğunda saniyede örneklenmesi hedeflenen kareler. num_frames (`Annotated[int | None, None]`, *kwargs*) : `do_sample_frames=True` olduğunda örneklenmesi gereken maksimum kare sayısı. return_metadata (`bool`, *kwargs*, *isteğe bağlı*) : Video meta verilerinin döndürülüp döndürülmemesi. Video meta verileri, video süresi, fps, çözümleme arka ucu gibi bilgileri içeren bir nesnedir. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : `'pt'` olarak ayarlanırsa yığılmış tensörleri, aksi halde tensör listesi döndürür. **Dönüş:** `~feature_extraction_utils.BatchFeature` - **data** (`dict`, *isteğe bağlı*) -- __call__/pad yöntemleri tarafından döndürülen listelerin/dizilerin/tensörlerin sözlüğü ('input_values', 'attention_mask', vb.). - **tensor_type** (`Union[None, str, TensorType]`, *isteğe bağlı*) -- Başlatma sırasında PyTorch/Numpy Tensörlerindeki tamsayı listelerini dönüştürmek için burada bir tensor_type verebilirsiniz. - **skip_tensor_conversion** (`list[str]` veya `set[str]`, *isteğe bağlı*) -- `tensor_type` belirtilse bile tensöre dönüştürülmemesi gereken anahtarların listesi veya kümesi.