# UnlimitedOcr ## Ikhtisar Model UnlimitedOcr diusulkan dalam [Unlimited OCR Works](https://huggingface.co/papers/2606.23050) oleh 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, dan Lei Jia dari Baidu Inc. Ini adalah model tunggal dengan 3B parameter dan panjang konteks standar 32.768 token. Abstrak dari makalah tersebut adalah sebagai berikut: *Baru-baru ini, model OCR end-to-end, yang diwakili oleh DeepSeek OCR, kembali menempatkan OCR di sorotan. Pandangan yang umum adalah bahwa penggunaan large language model (LLM) sebagai decoder memungkinkan model memanfaatkan distribusi prior bahasa, yang mengarah pada peningkatan kinerja OCR. Namun, kekurangannya juga jelas: seiring bertambah panjangnya urutan output, akumulasi KV cache meningkatkan konsumsi memori dan secara progresif memperlambat generasi. Hal ini sangat bertentangan dengan manusia, yang tidak menunjukkan penurunan efisiensi semacam itu selama tugas penyalinan jangka panjang. Dalam laporan teknis ini, kami mengusulkan Unlimited OCR, sebuah model yang dirancang untuk meniru memori kerja parsing manusia. Dengan mengambil DeepSeek OCR sebagai baseline, kami mengganti semua lapisan attention di decoder dengan Reference Sliding Window Attention (R-SWA) yang kami usulkan, yang mengurangi biaya komputasi attention sambil mempertahankan KV cache yang konstan selama seluruh proses decoding. Dengan menggabungkan rasio kompresi tinggi dari encoder DeepSeek OCR dengan desain KV cache konstan kami, Unlimited OCR dapat mentranskripsikan puluhan halaman dokumen dalam satu forward pass di bawah panjang maksimum standar 32K. Yang lebih penting lagi, R-SWA adalah mekanisme attention parsing yang bersifat umum — di luar OCR, mekanisme ini juga sama-sama berlaku untuk tugas seperti ASR, terjemahan, dan sebagainya. Kode dan bobot model tersedia secara publik di http://github.com/baidu/Unlimited-OCR* Unlimited-OCR mendukung dua konfigurasi inferensi: mode "gundum" default menggunakan tile 640x640 dengan pemotongan dinamis untuk dokumen resolusi tinggi, dan mode "base" menggunakan tampilan global tunggal 1024x1024 untuk input resolusi standar. Untuk mengaktifkan mode base, atur `crop_to_patches=False` di processor, atau teruskan melalui `processor_kwargs` saat menggunakan [apply_chat_template()](/docs/transformers/main/id/main_classes/processors#transformers.ProcessorMixin.apply_chat_template). Menara visi mengikuti pendekatan dua tahap dari [DeepSeek-OCR-2](./deepseek_ocr2): encoder SAM ViT-B memberi masukan ke encoder CLIP ViT. Berbeda dengan DeepSeek-OCR-2, fitur CLIP juga digabungkan (concatenated) dengan fitur SAM untuk menghasilkan token gambar akhir. Unlimited-OCR juga mengabaikan patch queries yang dapat dipelajari (learnable) dari DeepSeek-OCR-2. Model teks ini identik dengan DeepSeek-OCR-2 dengan tambahan Reference Sliding Window Attention (R-SWA). R-SWA hanya diterapkan pada token yang dihasilkan. Semua token gambar dan prompt tetap sepenuhnya terlihat selama proses decoding, sehingga dokumen panjang tidak kehilangan konteks dari halaman sebelumnya. Model ini disumbangkan oleh [guarin](https://huggingface.co/guarin). Kode aslinya dapat ditemukan [di sini](https://github.com/baidu/Unlimited-OCR). > [!TIP] > Implementasi asli menjalankan model dengan [torch.autocast](https://pytorch.org/docs/stable/amp.html#torch.autocast) dalam bfloat16. Bungkus panggilan forward dan generate dalam konteks autocast untuk mereproduksi output-nya. > > ```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] ``` ### Pemrosesan batch Untuk pemrosesan batch, berikan daftar pesan. Atur `padding=True` untuk processor jika gambar memiliki ukuran yang berbeda. ```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] ``` ### Deteksi wilayah Setel `skip_special_tokens=False` untuk membungkus semua deteksi dan jenis region dengan penanda `<|det|>...<|/det|>`. Hal ini berguna untuk pemrosesan lanjutan (post-processing) pada output, misalnya untuk menggambar kotak batas (bounding box) yang terdeteksi pada gambar. Setiap deteksi dibungkus sebagai `<|det|>region_type [x1, y1, x2, y2]<|/det|>text...` dengan koordinat yang dinormalisasi ke rentang `[0, 999]`. Setel `return_detections=True` untuk mendapatkan daftar tambahan berisi kamus (dictionary) dengan semua deteksi yang diurai (parsed) sebagai `{"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() ``` Dokumen multi-halaman dapat diparsing secara bersama dalam satu langkah forward dengan meneruskan semua gambar halaman secara bersamaan. Tambahkan satu blok gambar per halaman ke dalam pesan agar model memproses semua halaman sebagai dokumen yang berkelanjutan. ```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) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/configuration_unlimited_ocr.py#L262) **Parameter:** vision_config (`dict` atau `UnlimitedOcrVisionConfig`, *opsional*) : Konfigurasi untuk encoder visual. Bawaan adalah `UnlimitedOcrVisionConfig()`. text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *opsional*) : Objek config atau dictionary dari text backbone. image_token_id (`int`, *opsional*, defaultnya `128815`) : Indeks token gambar yang digunakan sebagai placeholder untuk gambar input. tie_word_embeddings (`bool`, *opsional*, defaultnya `False`) : Apakah mengikat embedding bobot sesuai dengan pemetaan `tied_weights_keys` model. Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari UnlimitedOcrModel. Kelas ini digunakan untuk membuat instans model Unlimited Ocr berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai default akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [baidu/Unlimited-OCR](https://huggingface.co/baidu/Unlimited-OCR) Objek konfigurasi mewarisi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) dan dapat digunakan untuk mengontrol keluaran model. Baca dokumentasi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) untuk informasi lebih lanjut. Contoh: ```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) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/configuration_unlimited_ocr.py#L141) **Parameter:** vocab_size (`int`, *opsional*, defaultnya `129280`) : Ukuran kosakata model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh `input_ids`. hidden_size (`int`, *opsional*, defaultnya `1280`) : Dimensi dari representasi tersembunyi. intermediate_size (`int`, *opsional*, defaultnya `6848`) : Dimensi dari representasi MLP. num_hidden_layers (`int`, *opsional*, defaultnya `12`) : Jumlah lapisan tersembunyi dalam decoder Transformer. num_attention_heads (`int`, *opsional*, defaultnya `10`) : Jumlah kepala perhatian untuk setiap lapisan perhatian dalam decoder Transformer. num_key_value_heads (`int`, *opsional*, defaultnya `10`) : Ini adalah jumlah key_value heads yang harus digunakan untuk mengimplementasikan Grouped Query Attention. Jika `num_key_value_heads=num_attention_heads`, model akan menggunakan Multi Head Attention (MHA), jika `num_key_value_heads=1` model akan menggunakan Multi Query Attention (MQA), selain itu GQA yang digunakan. Saat mengonversi checkpoint multi-head menjadi checkpoint GQA, setiap group key dan value head harus dibangun dengan meanpooling semua head asli di dalam grup tersebut. Untuk detail lebih lanjut, lihat [paper ini](https://huggingface.co/papers/2305.13245). Jika tidak ditentukan, akan default ke `num_attention_heads`. hidden_act (`str`, *opsional*, defaultnya `silu`) : Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, `"gelu"`, `"relu"`, `"silu"`, dan sebagainya. max_position_embeddings (`int`, *opsional*, defaultnya `32768`) : Panjang maksimum urutan yang mungkin akan digunakan dengan model ini. initializer_range (`float`, *opsional*, defaultnya `0.02`) : Deviasi standar dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot. rms_norm_eps (`float`, *opsional*, defaultnya `1e-06`) : Epsilon yang digunakan oleh lapisan normalisasi rms. use_cache (`bool`, *opsional*, defaultnya `True`) : Apakah model harus mengembalikan perhatian kunci/nilai terakhir (tidak digunakan oleh semua model). Hanya relevan jika `config.is_decoder=True` atau ketika model adalah model generatif yang hanya decoder. pad_token_id (`int`, *opsional*) : ID token yang digunakan untuk padding dalam kosakata. bos_token_id (`int`, *opsional*, defaultnya `0`) : Token id yang digunakan untuk awal-stream dalam kosakata. eos_token_id (`Union[int, list[int]]`, *opsional*, defaultnya `1`) : Token id yang digunakan untuk end-of-stream dalam kosakata. pretraining_tp (`int`, *opsional*, defaultnya `1`) : Fitur eksperimental. Rank parallelism tensor yang digunakan selama pretraining. Silakan lihat [dokumen ini](https://huggingface.co/docs/transformers/main/perf_train_gpu_many#tensor-parallelism) untuk memahami lebih lanjut tentang hal ini. Nilai ini diperlukan untuk memastikan reproduktibilitas hasil pretraining yang persis. Silakan lihat [isu ini](https://github.com/pytorch/pytorch/issues/76232). tie_word_embeddings (`bool`, *opsional*, defaultnya `False`) : Apakah mengikat embedding bobot sesuai dengan pemetaan `tied_weights_keys` model. rope_parameters (`Union[~modeling_rope_utils.RopeParameters, dict]`, *opsional*) : Dictionary yang berisi parameter konfigurasi untuk embedding RoPE. Dictionary harus berisi nilai untuk `rope_theta` dan secara opsional parameter yang digunakan untuk scaling jika Anda ingin menggunakan RoPE dengan `max_position_embeddings` yang lebih panjang. attention_bias (`bool`, *opsional*, defaultnya `False`) : Apakah akan menggunakan bias pada lapisan proyeksi query, key, value, dan output selama self-attention. attention_dropout (`float`, *opsional*, defaultnya `0.0`) : Rasio dropout untuk probabilitas perhatian. mlp_bias (`bool`, *opsional*, defaultnya `False`) : Apakah akan menggunakan bias pada lapisan up_proj, down_proj, dan gate_proj di lapisan MLP. head_dim (`int`, *opsional*) : Dimensi kepala perhatian. Jika None, nilainya akan secara default menjadi hidden_size // num_attention_heads n_group (`int`, *opsional*) : Jumlah grup untuk perutean top-k pakar yang dikelompokkan. n_routed_experts (`int`, *opsional*, defaultnya `64`) : Jumlah pakar yang dirutekan. output_router_logits (`bool`, *opsional*, defaultnya `False`) : Apakah logits router harus dikembalikan oleh model. Mengaktifkan ini juga akan memungkinkan model untuk mengoutputkan loss tambahan, termasuk load balancing loss dan router z-loss. n_shared_experts (`int`, *opsional*, defaultnya `2`) : Jumlah pakar bersama. routed_scaling_factor (`float`, *opsional*, defaultnya `1.0`) : Faktor penskalaan atau pakar yang dialihkan. topk_group (`int`, *opsional*, defaultnya `1`) : Jumlah grup yang dipilih untuk setiap token (untuk setiap token, memastikan pakar yang dipilih hanya berada di dalam `topk_group` grup). topk_method (`str`, *opsional*, defaultnya `"greedy"`) : Metode untuk memilih top-k pakar di lapisan MoE. num_experts_per_tok (`int`, *opsional*, defaultnya `6`) : Jumlah pakar untuk merutekan setiap token. Ini adalah nilai top-k untuk perutekan pilihan token. moe_intermediate_size (`int`, *opsional*, defaultnya `896`) : Ukuran menengah dari MLP pakar yang dirutekan. mlp_layer_types (`list[str]`, *opsional*) : tipe MLP (`"dense"` atau `"sparse"`) untuk setiap lapisan decoder, misalnya `["dense", "sparse", "sparse", ...]`. layer_types (`list[str]`, *opsional*) : Jenis perhatian untuk setiap lapisan decoder. Secara default menggunakan `"reference_sliding_attention"` di setiap lapisan. sliding_window (`int`, *opsional*, defaultnya `128`) : Ukuran jendela geser untuk perhatian jendela geser referensi. Jika diatur, setiap token memperhatikan `sliding_window` terakhir serta semua token gambar dan prompt. Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari UnlimitedOcrModel. Kelas ini digunakan untuk membuat instans model Unlimited Ocr berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai default akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [baidu/Unlimited-OCR](https://huggingface.co/baidu/Unlimited-OCR) Objek konfigurasi mewarisi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) dan dapat digunakan untuk mengontrol keluaran model. Baca dokumentasi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) untuk informasi lebih lanjut. Contoh: ```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) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/configuration_unlimited_ocr.py#L112) **Parameter:** sam_config (`dict` atau `UnlimitedOcrSamVisionConfig`, *opsional*) : Konfigurasi untuk encoder visual SAM. Bawaan adalah `UnlimitedOcrSamVisionConfig()`. encoder_config (`dict` atau `UnlimitedOcrVisionEncoderConfig`, *opsional*) : Konfigurasi untuk vision encoder. Defaultnya adalah `UnlimitedOcrVisionEncoderConfig()`. Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari UnlimitedOcrModel. Kelas ini digunakan untuk membuat instans model Unlimited Ocr berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai default akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [baidu/Unlimited-OCR](https://huggingface.co/baidu/Unlimited-OCR) Objek konfigurasi mewarisi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) dan dapat digunakan untuk mengontrol keluaran model. Baca dokumentasi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) untuk informasi lebih lanjut. Contoh: ```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) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/configuration_unlimited_ocr.py#L74) **Parameter:** hidden_size (`int`, *opsional*, defaultnya `1024`) : Dimensi dari representasi tersembunyi. intermediate_size (`int`, *opsional*, defaultnya `4096`) : Dimensi dari representasi MLP. num_hidden_layers (`int`, *opsional*, defaultnya `24`) : Jumlah lapisan tersembunyi dalam decoder Transformer. num_attention_heads (`int`, *opsional*, defaultnya `16`) : Jumlah kepala perhatian untuk setiap lapisan perhatian dalam decoder Transformer. num_channels (`int`, *opsional*, default `3`) : Jumlah saluran input. image_size (`Union[int, list[int], tuple[int, int]]`, *opsional*, defaultnya `224`) : Ukuran (resolusi) dari setiap gambar. patch_size (`Union[int, list[int], tuple[int, int]]`, *opsional*, defaultnya `14`) : Ukuran (resolusi) dari setiap patch. hidden_act (`str`, *opsional*, defaultnya `quick_gelu`) : Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, `"gelu"`, `"relu"`, `"silu"`, dan sebagainya. layer_norm_eps (`float`, *opsional*, defaultnya `1e-05`) : Epsilon yang digunakan oleh lapisan normalisasi lapisan. attention_dropout (`Union[int, float]`, *opsional*, defaultnya `0.0`) : Rasio dropout untuk probabilitas perhatian. initializer_range (`float`, *opsional*, defaultnya `0.02`) : Deviasi standar dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot. initializer_factor (`float`, *opsional*, default `1.0`) : Faktor untuk menginisialisasi semua matriks bobot (sebaiknya tetap 1, digunakan secara internal untuk pengujian inisialisasi). Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari UnlimitedOcrModel. Kelas ini digunakan untuk membuat instans model Unlimited Ocr berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai default akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [baidu/Unlimited-OCR](https://huggingface.co/baidu/Unlimited-OCR) Objek konfigurasi mewarisi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) dan dapat digunakan untuk mengontrol keluaran model. Baca dokumentasi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) untuk informasi lebih lanjut. Contoh: ```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)) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/configuration_unlimited_ocr.py#L29) **Parameter:** hidden_size (`int`, *opsional*, defaultnya `768`) : Dimensi dari representasi tersembunyi. output_channels (`int`, *opsional*, default 256) : Dimensi dari kanal output di Patch Encoder. num_hidden_layers (`int`, *opsional*, defaultnya `12`) : Jumlah lapisan tersembunyi dalam decoder Transformer. num_attention_heads (`int`, *opsional*, defaultnya `12`) : Jumlah kepala perhatian untuk setiap lapisan perhatian dalam decoder Transformer. num_channels (`int`, *opsional*, default `3`) : Jumlah saluran input. image_size (`Union[int, list[int], tuple[int, int]]`, *opsional*, defaultnya `1024`) : Ukuran (resolusi) dari setiap gambar. patch_size (`Union[int, list[int], tuple[int, int]]`, *opsional*, defaultnya `16`) : Ukuran (resolusi) dari setiap patch. hidden_act (`str`, *opsional*, defaultnya `gelu`) : Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, `"gelu"`, `"relu"`, `"silu"`, dan sebagainya. layer_norm_eps (`float`, *opsional*, defaultnya `1e-06`) : Epsilon yang digunakan oleh lapisan normalisasi lapisan. attention_dropout (`Union[float, int]`, *opsional*, defaultnya `0.0`) : Rasio dropout untuk probabilitas perhatian. initializer_range (`float`, *opsional*, defaultnya `1e-10`) : Standar deviasi dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot. qkv_bias (`bool`, *opsional*, defaultnya `True`) : Apakah akan menambahkan bias ke queries, keys, dan values. use_abs_pos (`bool`, *opsional*, defaultnya `True`) : Apakah akan menggunakan absolute position embedding. use_rel_pos (`bool`, *opsional*, defaultnya `True`) : Apakah akan menggunakan relative position embedding. window_size (`int`, *opsional*, default 14) : Ukuran jendela untuk posisi relatif. global_attn_indexes (`list[int]`, *opsional*, defaultnya `[2, 5, 8, 11]`) : Indeks dari lapisan perhatian global. mlp_dim (`int`, *opsional*, defaultnya 3072) : Dimensi dari lapisan MLP dalam encoder Transformer. downsample_channels (`list[int]`, *opsional*, defaultnya `(512, 1024)`) : Dimensi channel untuk lapisan neck downsampling multi-skala. Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari UnlimitedOcrModel. Kelas ini digunakan untuk membuat instans model Unlimited Ocr berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai default akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [baidu/Unlimited-OCR](https://huggingface.co/baidu/Unlimited-OCR) Objek konfigurasi mewarisi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) dan dapat digunakan untuk mengontrol keluaran model. Baca dokumentasi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) untuk informasi lebih lanjut. ## UnlimitedOcrImageProcessor[[transformers.UnlimitedOcrImageProcessor]] #### transformers.UnlimitedOcrImageProcessor[[transformers.UnlimitedOcrImageProcessor]] ```python transformers.UnlimitedOcrImageProcessor(**kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/image_processing_unlimited_ocr.py#L141) **Parameter:** do_convert_rgb (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan mengonversi gambar ke RGB. do_resize (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan mengubah ukuran gambar. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, defaultnya `{'height' : 1024, 'width': 1024}`): Menjelaskan dimensi input maksimum ke model. default_to_square (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah secara default menggunakan gambar persegi saat mengubah ukuran, jika size berupa int. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Ukuran gambar keluaran setelah menerapkan `center_crop`. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, defaultnya `3`) : Filter resampling yang digunakan jika mengubah ukuran gambar. Ini bisa berupa salah satu enum `PILImageResampling`. Hanya berdampak jika `do_resize` diatur ke `True`. do_rescale (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan melakukan penskalaan ulang pada gambar. rescale_factor (`float`, *kwargs*, *opsional*, defaultnya `0.00392156862745098`) : Faktor rescale untuk melakukan rescale pada gambar jika `do_rescale` diatur ke `True`. do_normalize (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan menormalisasi gambar. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*, defaultnya `[0.5, 0.5, 0.5]`) : Rata-rata gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*, defaultnya `[0.5, 0.5, 0.5]`) : Standar deviasi gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. do_pad (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan padding pada gambar. Padding dilakukan hingga ukuran terbesar dalam batch atau hingga ukuran persegi tetap per gambar. Strategi padding yang tepat bergantung pada model. pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Ukuran dalam `{"height": int, "width" int}` untuk melakukan padding pada gambar. Harus lebih besar dari ukuran gambar mana pun yang diberikan untuk pra-pemrosesan. Jika `pad_size` tidak diberikan, gambar akan di-pad hingga tinggi dan lebar terbesar dalam batch. Diterapkan hanya ketika `do_pad=True.` do_center_crop (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan center crop pada gambar. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *opsional*) : Hanya `ChannelDimension.FIRST` yang didukung. Ditambahkan untuk kompatibilitas dengan prosesor lambat. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *opsional*) : Format dimensi channel untuk gambar input. Jika tidak disetel, format dimensi channel akan disimpulkan dari gambar input. Bisa berupa salah satu dari: - `"channels_first"` atau `ChannelDimension.FIRST`: gambar dalam format (num_channels, height, width). - `"channels_last"` atau `ChannelDimension.LAST`: gambar dalam format (height, width, num_channels). - `"none"` atau `ChannelDimension.NONE`: gambar dalam format (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Perangkat untuk memproses video. Jika tidak disetel, perangkat akan disimpulkan dari video input. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Mengembalikan tensor yang ditumpuk jika disetel ke `'pt'`, selain itu mengembalikan daftar tensor. disable_grouping (`bool`, *kwargs*, *opsional*) : Apakah akan menonaktifkan pengelompokan gambar berdasarkan ukuran untuk memprosesnya secara individual dan tidak dalam batch. Jika None, akan diset ke True jika gambar berada di CPU, dan False selain itu. Pilihan ini didasarkan pada pengamatan empiris, seperti yang dijelaskan di sini: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *opsional*) : Jumlah token gambar yang akan digunakan untuk setiap gambar dalam input. Ditambahkan untuk kompatibilitas mundur, tetapi ini sebaiknya diatur sebagai atribut prosesor pada model-model mendatang. crop_to_patches (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan memotong gambar menjadi patch. Dapat ditimpa oleh parameter `crop_to_patches` di metode `preprocess`. min_patches (`int`, *kwargs*, *opsional*, defaultnya `2`) : Jumlah minimum patch yang akan diekstrak dari gambar. Hanya berpengaruh jika `crop_to_patches` diatur ke `True`. Dapat ditimpa oleh parameter `min_patches` pada metode `preprocess`. max_patches (`int`, *kwargs*, *opsional*, defaultnya `32`) : Jumlah maksimum patch yang akan diekstrak dari gambar. Hanya berpengaruh jika `crop_to_patches` diatur ke `True`. Dapat ditimpa oleh parameter `max_patches` pada metode `preprocess`. tile_size (`int`, *kwargs*, *opsional*, defaultnya `640`) : Ukuran setiap tile lokal. Harus sesuai dengan ukuran query embedding model. background_color (`list[int]`, *kwargs*, *opsional*, defaultnya `[127, 127, 127]`) : Warna latar belakang untuk padding. maximum_pad_value (`int`, *kwargs*, *opsional*, defaultnya `640`) : Jika `crop_to_patches` adalah `False` dan `max(size.height, size.width)` lebih kecil dari atau sama dengan nilai ini, gambar di-resize langsung menjadi persegi dengan ukuran `max(size.height, size.width)` tanpa mempertahankan rasio aspek. Sebaliknya, gambar di-resize dengan mempertahankan rasio aspek dan kemudian di-pad menjadi persegi dengan `background_color`. Membangun pemroses gambar 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) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/image_processing_unlimited_ocr.py#L163) **Parameter:** images (`torch.Tensor`) : Gambar yang akan dipotong, bentuk `(batch, channels, height, width)`. min_patches (`int`) : Jumlah minimum patch. max_patches (`int`) : Jumlah maksimum patch. tile_size (`int`) : Ukuran setiap tile. resample (`PILImageResampling`, *opsional*) : Filter resampling untuk mengubah ukuran. **Mengembalikan:** `tuple[torch.Tensor, int]` Patch bertumpuk `(batch, num_patches, channels, tile_size, tile_size)` dan jumlah patch per gambar. Crop gambar batched menjadi patch berdasarkan penataan optimal. #### 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) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/image_processing_unlimited_ocr.py#L309) Mengembalikan jumlah patch gambar untuk ukuran gambar tertentu (1 patch global + patch lokal). #### pad_to_square[[transformers.UnlimitedOcrImageProcessor.pad_to_square]] ```python pad_to_square(images: torch.Tensor, background_color: int | tuple[int, int, int] = 0) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/image_processing_unlimited_ocr.py#L328) **Parameter:** images (`torch.Tensor`) : Gambar yang akan di-pad. Bentuk: (batch_size, num_channels, height, width) atau (num_channels, height, width). background_color (`int` atau `tuple[int, int, int]`, *opsional*, default 0) : Warna yang akan digunakan untuk padding. Bisa berupa bilangan bulat untuk single channel atau tuple bilangan bulat yang merepresentasikan gambar multi-channel. Jika diberikan sebagai bilangan bulat dalam mode multi-channel, nilainya akan default ke `0` pada channel berikutnya. **Mengembalikan:** `torch.Tensor` Gambar yang telah di-*padding*. Menambahkan padding pada gambar menjadi bentuk persegi berdasarkan sisi terpanjang. ## 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) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/processing_unlimited_ocr.py#L30) **Parameter:** image_processor (`UnlimitedOcrImageProcessor`) : Prosesor gambar adalah input yang wajib. tokenizer (`tokenizer_class`) : Tokenizer adalah input yang wajib. chat_template (`str`) : Template Jinja untuk mengonversi daftar pesan dalam chat menjadi string yang dapat ditokenisasi. patch_size (`int`, *opsional*, defaultnya `16`) : Ukuran patch yang digunakan oleh encoder visual (ukuran patch embedding SAM ViT). downsample_ratio (`int`, *opsional*, defaultnya `4`) : Rasio downsampling yang diterapkan setelah vision encoder. Membangun UnlimitedOcrProcessor yang membungkus image processor dan tokenizer menjadi satu processor. [UnlimitedOcrProcessor](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrProcessor) menyediakan semua fungsionalitas dari [UnlimitedOcrImageProcessor](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor) dan `tokenizer_class`. Lihat [~UnlimitedOcrImageProcessor](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor) dan `~tokenizer_class` untuk informasi lebih lanjut. #### batch_decode[[transformers.UnlimitedOcrProcessor.batch_decode]] ```python batch_decode(*args, return_detections: bool = False, **kwargs) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/processing_unlimited_ocr.py#L85) **Parameter:** return_detections (`bool`, *opsional*, defaultnya `False`) : Apakah deteksi tata letak yang diurai dari teks yang didekodekan juga akan dikembalikan. **Mengembalikan:** `list[str]` atau `tuple[list[str], list[list[dict]]]` Teks yang didekodekan. Jika `return_detections` adalah `True`, sebuah tuple berisi teks yang didekodekan dan deteksi dari setiap urutan, di mana setiap deteksi adalah kamus dengan kunci `region_type`, `box` dan `text`. Kotak dalam format [x1, y1, x2, y2] dengan koordinat dinormalisasi ke [0, 999]. Metode ini meneruskan semua argumennya ke [batch_decode()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.batch_decode) dari PreTrainedTokenizer. Silakan lihat docstring dari metode ini untuk informasi lebih lanjut. #### decode[[transformers.UnlimitedOcrProcessor.decode]] ```python decode(*args, return_detections: bool = False, **kwargs) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/processing_unlimited_ocr.py#L106) **Parameter:** return_detections (`bool`, *opsional*, defaultnya `False`) : Apakah deteksi tata letak yang diurai dari teks yang didekodekan juga akan dikembalikan. **Mengembalikan:** `str` atau `tuple[str, list[dict]]` Teks yang didekodekan. Jika `return_detections` adalah `True`, sebuah tuple berisi teks yang didekodekan dan daftar deteksi, di mana setiap deteksi adalah kamus dengan kunci `region_type`, `box` dan `text`. Kotak dalam format [x1, y1, x2, y2] dengan koordinat dinormalisasi ke [0, 999]. Metode ini meneruskan semua argumennya ke [decode()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.decode) dari PreTrainedTokenizer. Silakan lihat docstring dari metode ini untuk informasi lebih lanjut. ## UnlimitedOcrPreTrainedModel[[transformers.UnlimitedOcrPreTrainedModel]] #### transformers.UnlimitedOcrPreTrainedModel[[transformers.UnlimitedOcrPreTrainedModel]] ```python transformers.UnlimitedOcrPreTrainedModel(config: PreTrainedConfig, *inputs, **kwargs) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L281) **Parameter:** config ([PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model. Model ini mewarisi dari [PreTrainedModel](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.) Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum. ## UnlimitedOcrTextPreTrainedModel[[transformers.UnlimitedOcrTextPreTrainedModel]] #### transformers.UnlimitedOcrTextPreTrainedModel[[transformers.UnlimitedOcrTextPreTrainedModel]] ```python transformers.UnlimitedOcrTextPreTrainedModel(config: PreTrainedConfig, *inputs, **kwargs) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L1269) **Parameter:** config ([PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model. Model ini mewarisi dari [PreTrainedModel](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.) Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum. ## UnlimitedOcrTextModel[[transformers.UnlimitedOcrTextModel]] #### transformers.UnlimitedOcrTextModel[[transformers.UnlimitedOcrTextModel]] ```python transformers.UnlimitedOcrTextModel(config: UnlimitedOcrTextConfig) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L1731) **Parameter:** config ([UnlimitedOcrTextConfig](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrTextConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model. Model Teks OCR Unlimited polos yang menghasilkan hidden-states mentah tanpa head spesifik di atasnya. Model ini mewarisi dari [PreTrainedModel](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.) Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum. #### 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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L1748) **Parameter:** input_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default. Indeks dapat diperoleh menggunakan [AutoTokenizer](/docs/transformers/main/id/model_doc/auto#transformers.AutoTokenizer). Lihat [PreTrainedTokenizer.encode()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) dan [PreTrainedTokenizer.__call__()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) untuk detailnya. [Apa itu input IDs?](../glossary#input-ids) attention_mask (`torch.Tensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Mask untuk menghindari pelaksanaan attention pada indeks token padding. Nilai mask dipilih dalam `[0, 1]`: - 1 untuk token yang **tidak di-mask**, - 0 untuk token yang **di-mask**. [Apa itu attention masks?](../glossary#attention-mask) position_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks posisi token dari setiap urutan input dalam embedding posisi. Dipilih dalam rentang `[0, config.n_positions - 1]`. [Apa itu position ID?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *opsional*) : Hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari `past_key_values` yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika `use_cache=True` atau `config.use_cache=True`. Hanya instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache) yang diizinkan sebagai input, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Jika tidak ada `past_key_values` yang diteruskan, [DynamicCache](/docs/transformers/main/id/internal/generation_utils#transformers.DynamicCache) akan diinisialisasi secara default. Model akan mengoutput format cache yang sama dengan yang diberikan sebagai input. Jika `past_key_values` digunakan, pengguna diharapkan untuk hanya menginput `input_ids` yang belum diproses (yang tidak memiliki state past key value mereka diberikan ke model ini) dengan bentuk `(batch_size, unprocessed_length)` alih-alih semua `input_ids` dengan bentuk `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) : Secara opsional, alih-alih meneruskan `input_ids`, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Ini berguna jika Anda ingin lebih banyak kendali atas cara mengonversi indeks `input_ids` menjadi vektor terkait daripada matriks pencarian penanaman internal model. use_cache (`bool`, *opsional*) : Jika diatur ke `True`, state kunci-nilai `past_key_values` akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat `past_key_values`). **Mengembalikan:** `MoeModelOutputWithPast` atau `tuple(torch.Tensor)` A `MoeModelOutputWithPast` atau tuple dari `torch.Tensor` (jika `return_dict=False` dilewatkan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([UnlimitedOcrConfig](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrConfig)) dan input. Metode forward dari [UnlimitedOcrTextModel](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrTextModel) menimpa metode khusus `__call__`. Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance `Module` setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam. - **last_hidden_state** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`) -- Urutan hidden-states pada keluaran lapisan terakhir model. - **past_key_values** (`Cache`, *opsional*, dikembalikan saat `use_cache=True` dilewatkan atau saat `config.use_cache=True`) -- Ini adalah instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache). Untuk detail lebih lanjut, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention, dan secara opsional jika `config.is_encoder_decoder=True` di blok cross-attention) yang dapat digunakan (lihat input `past_key_values`) untuk mempercepat decoding berurutan. - **hidden_states** (`tuple(torch.Tensor)`, *opsional*, dikembalikan saat `output_hidden_states=True` dilewatkan atau saat `config.output_hidden_states=True`) -- Tuple dari `torch.Tensor` (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk `(batch_size, sequence_length, hidden_size)`. Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional. - **attentions** (`tuple(torch.Tensor)`, *opsional*, dikembalikan ketika `output_attentions=True` dilewatkan atau ketika `config.output_attentions=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, num_heads, sequence_length, sequence_length)`. Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala self-attention. - **router_logits** (`tuple(torch.Tensor)`, *opsional*, dikembalikan ketika `output_router_probs=True` dan `config.add_router_probs=True` diteruskan atau ketika `config.output_router_probs=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, sequence_length, num_experts)`. Logit router mentah (setelah softmax) yang dihitung oleh router MoE; istilah-istilah ini digunakan untuk menghitung auxiliary loss pada model Mixture of Experts. ## UnlimitedOcrVisionModel[[transformers.UnlimitedOcrVisionModel]] #### transformers.UnlimitedOcrVisionModel[[transformers.UnlimitedOcrVisionModel]] ```python transformers.UnlimitedOcrVisionModel(config: UnlimitedOcrVisionConfig) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L927) **Parameter:** config ([UnlimitedOcrVisionConfig](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrVisionConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model. Model visi yang mengodekan gambar terlebih dahulu dengan SAM, diikuti oleh model tambahan (CLIP). Model ini mewarisi dari [PreTrainedModel](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.) Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum. #### forward[[transformers.UnlimitedOcrVisionModel.forward]] ```python forward(pixel_values: Tensor, **kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L936) **Parameter:** pixel_values (`torch.Tensor` dengan bentuk `(batch_size, num_channels, image_size, image_size)`) : Tensor yang sesuai dengan gambar input. Nilai piksel dapat diperoleh menggunakan [UnlimitedOcrImageProcessor](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor). Lihat [UnlimitedOcrImageProcessor.__call__()](/docs/transformers/main/id/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) untuk detailnya ([UnlimitedOcrProcessor](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrProcessor) menggunakan [UnlimitedOcrImageProcessor](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor) untuk memproses gambar). **Mengembalikan:** [BaseModelOutput](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutput) atau `tuple(torch.Tensor)` [BaseModelOutput](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutput) atau tuple dari `torch.Tensor` (jika `return_dict=False` diteruskan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([UnlimitedOcrConfig](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrConfig)) dan input. Metode forward dari [UnlimitedOcrVisionModel](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrVisionModel) menimpa metode khusus `__call__`. Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance `Module` setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam. - **last_hidden_state** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`) -- Urutan hidden-states pada keluaran lapisan terakhir model. - **hidden_states** (`tuple(torch.Tensor)`, *opsional*, dikembalikan saat `output_hidden_states=True` dilewatkan atau saat `config.output_hidden_states=True`) -- Tuple dari `torch.Tensor` (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk `(batch_size, sequence_length, hidden_size)`. Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional. - **attentions** (`tuple(torch.Tensor)`, *opsional*, dikembalikan ketika `output_attentions=True` dilewatkan atau ketika `config.output_attentions=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, num_heads, sequence_length, sequence_length)`. Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala self-attention. Contoh: ```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) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L1816) **Parameter:** config ([UnlimitedOcrConfig](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model. Model UnlimitedOcr yang terdiri dari vision backbone dan model bahasa. Model ini mewarisi dari [PreTrainedModel](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.) Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum. #### 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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L1933) **Parameter:** input_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default. Indeks dapat diperoleh menggunakan [AutoTokenizer](/docs/transformers/main/id/model_doc/auto#transformers.AutoTokenizer). Lihat [PreTrainedTokenizer.encode()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) dan [PreTrainedTokenizer.__call__()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) untuk detailnya. [Apa itu input IDs?](../glossary#input-ids) pixel_values (`torch.Tensor` dengan bentuk `(batch_size, num_channels, image_size, image_size)`, *opsional*) : Tensor yang sesuai dengan gambar input. Nilai piksel dapat diperoleh menggunakan [UnlimitedOcrImageProcessor](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor). Lihat [UnlimitedOcrImageProcessor.__call__()](/docs/transformers/main/id/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) untuk detailnya ([UnlimitedOcrProcessor](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrProcessor) menggunakan [UnlimitedOcrImageProcessor](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor) untuk memproses gambar). pixel_values_local (`torch.Tensor`, *opsional*) : Nilai piksel patch lokal dengan bentuk `(total_patches, 3, H, W)`. num_local_patches (`list[int]`, *opsional*) : Jumlah patch lokal per gambar dalam batch. patches_grid (`list[list[int]]`, *opsional*) : Grid patch `(num_columns, num_rows)` per gambar. attention_mask (`torch.Tensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Mask untuk menghindari pelaksanaan attention pada indeks token padding. Nilai mask dipilih dalam `[0, 1]`: - 1 untuk token yang **tidak di-mask**, - 0 untuk token yang **di-mask**. [Apa itu attention masks?](../glossary#attention-mask) position_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks posisi token dari setiap urutan input dalam embedding posisi. Dipilih dalam rentang `[0, config.n_positions - 1]`. [Apa itu position ID?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *opsional*) : Hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari `past_key_values` yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika `use_cache=True` atau `config.use_cache=True`. Hanya instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache) yang diizinkan sebagai input, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Jika tidak ada `past_key_values` yang diteruskan, [DynamicCache](/docs/transformers/main/id/internal/generation_utils#transformers.DynamicCache) akan diinisialisasi secara default. Model akan mengoutput format cache yang sama dengan yang diberikan sebagai input. Jika `past_key_values` digunakan, pengguna diharapkan untuk hanya menginput `input_ids` yang belum diproses (yang tidak memiliki state past key value mereka diberikan ke model ini) dengan bentuk `(batch_size, unprocessed_length)` alih-alih semua `input_ids` dengan bentuk `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) : Secara opsional, alih-alih meneruskan `input_ids`, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Ini berguna jika Anda ingin lebih banyak kendali atas cara mengonversi indeks `input_ids` menjadi vektor terkait daripada matriks pencarian penanaman internal model. use_cache (`bool`, *opsional*) : Jika diatur ke `True`, state kunci-nilai `past_key_values` akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat `past_key_values`). mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *opsional*) : Dict di mana kuncinya adalah modalitas yang didukung dan nilainya adalah output terenkod untuk modalitas tersebut. Setiap output terenkod adalah tuple yang terdiri dari (`pooler_output`, *opsional*: `last_hidden_states`, *opsional*: `hidden_states`, *opsional*: `attentions`) `pooler_output` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) adalah rangkaian fitur multimodal dari encoder yang digabungkan ke dalam embedding teks. **Mengembalikan:** `UnlimitedOcrModelOutputWithPast` atau `tuple(torch.Tensor)` A `UnlimitedOcrModelOutputWithPast` atau tuple dari `torch.Tensor` (jika `return_dict=False` dilewatkan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([UnlimitedOcrConfig](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrConfig)) dan input. Metode forward dari [UnlimitedOcrModel](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrModel) menimpa metode khusus `__call__`. Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance `Module` setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam. - **last_hidden_state** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`) -- Urutan hidden-states pada keluaran lapisan terakhir model. Jika `past_key_values` digunakan, hanya hidden-state terakhir dari sekuens dengan bentuk `(batch_size, 1, hidden_size)` yang dioutput. - **past_key_values** (`Cache`, *opsional*, dikembalikan saat `use_cache=True` dilewatkan atau saat `config.use_cache=True`) -- Ini adalah instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache). Untuk detail lebih lanjut, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention) yang dapat digunakan (lihat input `past_key_values`) untuk mempercepat decoding berurutan. - **hidden_states** (`tuple(torch.Tensor)`, *opsional*, dikembalikan saat `output_hidden_states=True` dilewatkan atau saat `config.output_hidden_states=True`) -- Tuple dari `torch.Tensor` (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk `(batch_size, sequence_length, hidden_size)`. Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional. - **attentions** (`tuple(torch.Tensor)`, *opsional*, dikembalikan ketika `output_attentions=True` dilewatkan atau ketika `config.output_attentions=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, num_heads, sequence_length, sequence_length)`. Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala self-attention. - **image_hidden_states** (`torch.Tensor`, *opsional*) -- Sebuah `torch.Tensor` berukuran `(batch_size, num_images, sequence_length, hidden_size)`. image_hidden_states dari model yang dihasilkan oleh vision encoder dan setelah memproyeksikan hidden state terakhir. - **router_logits** (`tuple[torch.Tensor]`, *opsional*, dikembalikan ketika `output_router_logits=True` diteruskan atau ketika `config.add_router_probs=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, sequence_length, num_experts)`. Logit router dari model, berguna untuk menghitung loss tambahan untuk model Mixture of Experts. ## UnlimitedOcrForConditionalGeneration[[transformers.UnlimitedOcrForConditionalGeneration]] #### transformers.UnlimitedOcrForConditionalGeneration[[transformers.UnlimitedOcrForConditionalGeneration]] ```python transformers.UnlimitedOcrForConditionalGeneration(config: UnlimitedOcrConfig) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L1999) **Parameter:** config ([UnlimitedOcrConfig](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model. Model Unlimited Ocr untuk menghasilkan token yang dikondisikan pada modalitas lain (misalnya, generasi dari gambar-teks ke teks). Model ini mewarisi dari [PreTrainedModel](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.) Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum. #### 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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/unlimited_ocr/modeling_unlimited_ocr.py#L2037) **Parameter:** input_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default. Indeks dapat diperoleh menggunakan [AutoTokenizer](/docs/transformers/main/id/model_doc/auto#transformers.AutoTokenizer). Lihat [PreTrainedTokenizer.encode()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) dan [PreTrainedTokenizer.__call__()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) untuk detailnya. [Apa itu input IDs?](../glossary#input-ids) pixel_values (`torch.Tensor` dengan bentuk `(batch_size, num_channels, image_size, image_size)`, *opsional*) : Tensor yang sesuai dengan gambar input. Nilai piksel dapat diperoleh menggunakan [UnlimitedOcrImageProcessor](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor). Lihat [UnlimitedOcrImageProcessor.__call__()](/docs/transformers/main/id/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) untuk detailnya ([UnlimitedOcrProcessor](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrProcessor) menggunakan [UnlimitedOcrImageProcessor](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrImageProcessor) untuk memproses gambar). pixel_values_local (`torch.Tensor`, *opsional*) : Nilai piksel patch lokal dengan bentuk `(total_patches, 3, H, W)`. num_local_patches (`list[int]`, *opsional*) : Jumlah patch lokal per gambar dalam batch. patches_grid (`list[list[int]]`, *opsional*) : Grid patch `(num_columns, num_rows)` per gambar. attention_mask (`torch.Tensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Mask untuk menghindari pelaksanaan attention pada indeks token padding. Nilai mask dipilih dalam `[0, 1]`: - 1 untuk token yang **tidak di-mask**, - 0 untuk token yang **di-mask**. [Apa itu attention masks?](../glossary#attention-mask) position_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks posisi token dari setiap urutan input dalam embedding posisi. Dipilih dalam rentang `[0, config.n_positions - 1]`. [Apa itu position ID?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *opsional*) : Hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari `past_key_values` yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika `use_cache=True` atau `config.use_cache=True`. Hanya instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache) yang diizinkan sebagai input, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Jika tidak ada `past_key_values` yang diteruskan, [DynamicCache](/docs/transformers/main/id/internal/generation_utils#transformers.DynamicCache) akan diinisialisasi secara default. Model akan mengoutput format cache yang sama dengan yang diberikan sebagai input. Jika `past_key_values` digunakan, pengguna diharapkan untuk hanya menginput `input_ids` yang belum diproses (yang tidak memiliki state past key value mereka diberikan ke model ini) dengan bentuk `(batch_size, unprocessed_length)` alih-alih semua `input_ids` dengan bentuk `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) : Secara opsional, alih-alih meneruskan `input_ids`, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Ini berguna jika Anda ingin lebih banyak kendali atas cara mengonversi indeks `input_ids` menjadi vektor terkait daripada matriks pencarian penanaman internal model. labels (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Label untuk menghitung kerugian pemodelan bahasa yang disamarkan. Indeks harus berada di `[0, ..., config.vocab_size]` atau -100 (lihat docstring `input_ids`). Token dengan indeks yang disetel ke `-100` diabaikan (disamarkan), kerugian hanya dihitung untuk token dengan label di `[0, ..., config.vocab_size]`. use_cache (`bool`, *opsional*) : Jika diatur ke `True`, state kunci-nilai `past_key_values` akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat `past_key_values`). logits_to_keep (`Union[int, torch.Tensor]`, *opsional*, defaultnya `0`) : Jika berupa `int`, hitung logits untuk `logits_to_keep` token terakhir. Jika `0`, hitung logits untuk semua `input_ids` (kasus khusus). Hanya logits token terakhir yang diperlukan untuk generasi, dan menghitungnya hanya untuk token tersebut dapat menghemat memori, yang menjadi cukup signifikan untuk urutan panjang atau ukuran kosakata besar. Jika berupa `torch.Tensor`, harus 1D yang sesuai dengan indeks yang akan dipertahankan pada dimensi panjang urutan. Ini berguna saat menggunakan format tensor terpadu (satu dimensi untuk batch dan panjang urutan). mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *opsional*) : Dict di mana kuncinya adalah modalitas yang didukung dan nilainya adalah output terenkod untuk modalitas tersebut. Setiap output terenkod adalah tuple yang terdiri dari (`pooler_output`, *opsional*: `last_hidden_states`, *opsional*: `hidden_states`, *opsional*: `attentions`) `pooler_output` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) adalah rangkaian fitur multimodal dari encoder yang digabungkan ke dalam embedding teks. **Mengembalikan:** `UnlimitedOcrCausalLMOutputWithPast` atau `tuple(torch.Tensor)` `UnlimitedOcrCausalLMOutputWithPast` atau tuple dari `torch.Tensor` (jika `return_dict=False` dilewatkan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([UnlimitedOcrConfig](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrConfig)) dan input. Metode forward dari [UnlimitedOcrForConditionalGeneration](/docs/transformers/main/id/model_doc/unlimited_ocr#transformers.UnlimitedOcrForConditionalGeneration) menimpa metode khusus `__call__`. Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance `Module` setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam. - **loss** (`torch.Tensor` dengan bentuk `(1,)`, *opsional*, dikembalikan saat `labels` disediakan) -- Loss pemodelan bahasa (untuk prediksi token berikutnya). - **logits** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, config.vocab_size)`) -- Skor prediksi dari kepala pemodelan bahasa (skor untuk setiap token kosakata sebelum SoftMax). - **past_key_values** (`Cache`, *opsional*, dikembalikan saat `use_cache=True` dilewatkan atau saat `config.use_cache=True`) -- Ini adalah instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache). Untuk detail lebih lanjut, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention) yang dapat digunakan (lihat input `past_key_values`) untuk mempercepat decoding berurutan. - **hidden_states** (`tuple[torch.Tensor]`, *opsional*, dikembalikan ketika `output_hidden_states=True` dilewatkan atau ketika `config.output_hidden_states=True`) -- Tuple dari `torch.Tensor` (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk `(batch_size, sequence_length, hidden_size)`. Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional. - **attentions** (`tuple[torch.Tensor]`, *opsional*, dikembalikan ketika `output_attentions=True` dilewatkan atau ketika `config.output_attentions=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, num_heads, sequence_length, sequence_length)`. Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala self-attention. - **image_hidden_states** (`torch.Tensor`, *opsional*) -- Sebuah `torch.Tensor` berukuran (batch_size * num_patches, num_images, sequence_length, hidden_size)`. image_hidden_states dari model yang dihasilkan oleh vision encoder dan setelah memproyeksikan hidden state terakhir. - **router_logits** (`tuple[torch.Tensor]`, *opsional*, dikembalikan ketika `output_router_logits=True` diteruskan atau ketika `config.add_router_probs=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, sequence_length, num_experts)`. Logit router dari model, berguna untuk menghitung loss tambahan untuk model Mixture of Experts. Contoh OCR satu halaman: ```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... ``` Contoh OCR multi-halaman: ```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... ```