√ TrOCR Formula Recognition

❓缘由：看到UniMERNet的工作，从他们发布的模型存储大小（4.91G）来看，实在太重了。同时，他们也发布了一个很大很全的公式识别数据集：UniMER_Dataset。

🎯 于是，想着基于TrOCR + UniMER-1M数据集，训练一个小而美的公式识别数据集。

仓库将UniMERNet作为Baseline，目标是超过UniMERNet，同时模型要小很多。

仓库dataset目录下为UniMER-1M的Tiny版，只用来测试程序使用。

⚠️注意事项

• 使用transformers训练前，需要在import torch前，指定CUDA_VISIBLE_DEVICES，否则会卡住。
• 以下实验数据，除Exp1_1外，其他的暂时都没有添加HME100K数据集
• 所有实验均采用microsoft/trocr-small-stage1作为预训练模型训练的。

TODO

• 推理采用Flash Attention加速。（transformers==4.44.2中VisionEncoderDecoderModel不支持）
• 转ONNX模型，并比较推理速度
• 尝试使用xformers来优化推理速度

🔬 实验记录

实验表格来自UniMERNet Table 5

Method	SPE-BLEU↑	SPE-EditDis↓	CPE-BLEU↑	CPE-EditDis↓	SCE-BLEU↑	SCE-EditDis↓	HWE-BLEU↑	HWE-EditDis↓
Pix2tex	0.873	0.088	0.655	0.408	0.092	0.817	0.012	0.920
Texify	0.906	0.061	0.690	0.230	0.420	0.390	0.341	0.522
UniMERNet	0.917	0.058	0.916	0.060	0.616	0.229	0.921	0.055
Exp1	0.815	0.121	0.677	0.259	0.589	0.227	0.150	0.520
Exp1_1	0.883	0.07	0.810	0.122	0.489	0.262	0.900	0.06
Exp2	0.798	0.132	0.677	0.259	0.589	0.227	0.150	0.520
Exp3	0.813	0.127	0.682	0.263	0.302	0.231	0.166	0.540
Exp4	0.873	0.077	0.801	0.130	0.550	0.238	0.092	0.469
Exp5	0.846	0.201	0.823	0.134	0.418	0.553	0.05	0.6724
Exp5_1	0.819	0.119	0.682	0.249	0.595	0.230	0.179	0.512
Exp6	0.812	0.116	0.676	0.253	0.657	0.210	0.342	0.404
Exp7	0.817	0.117	0.679	0.251	0.817	0.117	0.781	0.148
Exp8	0.886	0.07	0.822	0.108	0.633	0.217	0.897	0.07
Exp9	0.862	0.10	0.740	0.180	0.639	0.211	0.826	0.119
Exp10	0.900	0.07	0.841	0.09	0.594	0.227	0.912	0.06

Exp	说明
Exp1	首次基于UniMER-1M训练，采用预训练模型是microsoft/trocr-small-stage1 采用TrOCR默认Tokenizer
Exp1_1	基于Exp1，控制单一变量：训练30个Epoch by limaopeng1
Exp2	更改LaTex-OCR方法用的BPE Tokenizer
Exp3	修复Exp2中model配置bug
Exp4	与Exp3相比，单一变量：epoch=1 → epoch=5
Exp5	与Exp1相比，单一变量：epoch=1 → epoch=10
Exp5_1	补充实验，修复Exp5中，去掉text前后加了BOS和EOS的地方，只跑一个epoch
Exp6	与Exp5_1相比，单一变量：参考UniMERNet源码，增加数据增强
Exp7	与Exp6相比，单一变量：增加HME100k数据集
Exp8	与Exp7相比，单一变量：epoch=1 → epoch=10
Exp9	与Exp8相比，单一变量：增加fusion-image-to-latex-datasets数据集（3069505）, Epoch=1
Exp10	与Exp9相比，单一变量：epoch=1 → epoch=10 (fusion-image-to-latex-dataset 3467214)

🦩 Checkpoint

• Exp5_1
• Exp8

🔢 Dataset

⚠️注意：仓库中dataset目录下为示例，完整数据集需自行下载补充。

UniMER_Dataset 完整的UniMER目录结构如下：

dataset
├── UniMER-1M
│   ├── images
│   └── train.txt
└── UniMER-Test
    ├── cpe
    ├── hwe
    ├── sce
    ├── spe
    ├── cpe.txt
    ├── hwe.txt
    ├── sce.txt
    └── spe.txt

训练集总共1061,791 LaTeX-Image pairs。

测试集由4种类型公式组成，总共23757张图像：

• Simple Printed Expressions (SPE): 6,762 samples
• Complex Printed Expressions (CPE): 5,921 samples
• Screen Capture Expressions (SCE): 4,742 samples
• Handwritten Expressions (HWE): 6,332 samples

各个种类示例图像如下：

🔢 其他数据集和项目

• fusion-image-to-latex-datasets
• TexTeller

📞 微信交流群

微信关注公众号：RapidAI, 后台回复“公式识别”即可进群

📚 Reference

• UniMERNet
• TrOCR-Handwritten-Mathematical-Expression-Recognition
• Transformers-Tutorials