# MiniCPM-OCR MiniCPM-OCR adalah model pemahaman dokumen dari keluarga [MiniCPM-V](https://huggingface.co/papers/2509.18154) yang dikembangkan oleh [OpenBMB](https://github.com/OpenBMB). Model ini mempertahankan arsitektur [MiniCPM-V 4.6](./minicpmv4_6) -- yaitu encoder visual [SigLIP](./siglip) dengan merger window-attention di depan model bahasa [Qwen3.5](./qwen3_5) -- dan mengkhususkannya untuk membaca gambar yang padat teks, seperti halaman hasil pindaian, tangkapan layar, struk, dan tabel. Model ini disumbangkan oleh [OpenBMB](https://huggingface.co/openbmb). Kode aslinya dapat ditemukan [di sini](https://github.com/openbmb/MiniCPM-OCR). ## Contoh penggunaan ```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 # ... # ``` ``` Template chat dari checkpoint yang dirilis menonaktifkan thinking secara default. Lewatkan `enable_thinking=True` ke `apply_chat_template` untuk mengaktifkannya secara eksplisit. MiniCPM-OCR mendukung kedua mode downsampling visual dari keluarga MiniCPM-V: - **4x** (default): Downsampling lebih sedikit, token visual lebih banyak, yang dibutuhkan untuk transkripsi dokumen dan tangkapan layar. - **16x**: Downsampling yang lebih agresif, lebih sedikit token visual, inferensi lebih cepat pada gambar alami. Mode harus diteruskan ke processor dan ke `model.generate` secara bersamaan, karena processor menghitung placeholder visual yang diharapkan dihasilkan oleh vision tower: ```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 ``` Mode `downsample_mode` per-panggilan hanya berlaku untuk panggilan tersebut dan tidak mengubah prosesor, sehingga prosesor yang sama dapat melayani kedua mode secara bersamaan. Saat memanggil prosesor secara langsung alih-alih melalui `apply_chat_template`, berikan sebagai argumen kata kunci biasa: ```python inputs = processor(images=[image], text=[text], return_tensors="pt", downsample_mode="4x") ``` Untuk menjadikan mode sebagai default, tetapkan saat memuat processor: ```python processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0", downsample_mode="4x") ``` Gambar yang terlalu kecil untuk dipotong akan diperbesar ke `scale_resolution` secara default, yaitu pengaturan yang digunakan saat checkpoint yang dirilis dilatih. Screenshot dan crop sering kali lebih baik dipertahankan pada resolusi aslinya, karena memperbesarnya hanya akan membuat glyph menjadi buram, sehingga `small_image_upsize` memilih antara keduanya: - `"always"` (default): perbesar ukurannya menjadi `scale_resolution`. - `"never"`: pertahankan pada resolusi asli, hanya sejajarkan dengan grid patch. - `"adaptive"`: tentukan per gambar dan per irisan, berdasarkan ukuran dan kepadatan glik. ```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"` memperbesar teks padat berukuran kecil hingga `scale_resolution`, gambar di bawah 6272 piksel menjadi 84, dan mempertahankan sisanya pada resolusi asli; pada sebuah slice, mode ini tidak pernah menghabiskan lebih banyak token daripada baseline tile. Tinggi dan kepadatan glyph diukur dengan ambang Otsu yang diikuti analisis komponen terhubung, sehingga memerlukan [OpenCV](https://pypi.org/project/opencv-python/) dan akan melempar error jika tidak ada, alih-alih diam-diam beralih ke aturan yang berbeda. ```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 ``` Seperti `downsample_mode`, parameter ini juga dapat ditimpa (overridden) per pemanggilan, yang menjaga resolusi asli 224x224 dari receipt tanpa perlu memuat ulang processor: ```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 # ... ``` Kedua halaman di-resize secara independen, sehingga prompt mereka memiliki panjang yang berbeda. `padding` harus diminta melalui `processor_kwargs` agar `apply_chat_template` meneruskannya ke processor, dan processor melakukan pengisian di sisi kiri agar `generate` terus menghasilkan dari akhir setiap prompt. ## 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) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/configuration_minicpm_ocr.py#L66) **Parameter:** text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *opsional*) : Objek config atau dictionary dari text backbone. vision_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *opsional*) : Objek config atau dictionary dari vision backbone. insert_layer_id (`int`, *opsional*, defaultnya 6) : Indeks layer encoder visual setelah mana merger window-attention diterapkan. image_token_id (`int`, *opsional*) : Indeks token gambar yang digunakan sebagai placeholder untuk gambar input. video_token_id (`int`, *opsional*) : Indeks token video yang digunakan sebagai placeholder untuk video input. tie_word_embeddings (`bool`, *opsional*, defaultnya `True`) : Apakah mengikat embedding bobot sesuai dengan pemetaan `tied_weights_keys` model. downsample_mode (`str`, *opsional*, defaultnya `"4x"`) : Rasio downsampling token visual. `"4x"` mempertahankan 4× lebih banyak token daripada `"16x"`, yang merupakan rasio yang digunakan untuk membaca gambar dokumen padat teks. merge_kernel_size (`tuple[int, int]`, *opsional*, defaultnya `(2, 2)`) : Ukuran kernel `(h, w)` untuk menggabungkan patch visual yang bersebelahan di Merger. merger_times (`int`, *opsional*, default 1) : Jumlah putaran penggabungan iteratif di Merger. Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari MiniCPMOcrModel. Kelas ini digunakan untuk membuat instans model Minicpm Ocr berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [openbmb/MiniCPM-OCR-1.0](https://huggingface.co/openbmb/MiniCPM-OCR-1.0) 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. ## 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)) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/configuration_minicpm_ocr.py#L31) **Parameter:** hidden_size (`int`, *opsional*, defaultnya `768`) : Dimensi dari representasi tersembunyi. intermediate_size (`int`, *opsional*, defaultnya `3072`) : Dimensi dari representasi MLP. 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 `224`) : 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_pytorch_tanh`) : 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. insert_layer_id (`int`, *opsional*, defaultnya 6) : Indeks layer encoder visual setelah mana merger window-attention diterapkan. window_kernel_size (`tuple[int, int]`, *opsional*, defaultnya `(2, 2)`) : Ukuran jendela `(h, w)` untuk penggabungan window-attention perantara. Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari MiniCPMOcrModel. Kelas ini digunakan untuk membuat instans model Minicpm Ocr berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [openbmb/MiniCPM-OCR-1.0](https://huggingface.co/openbmb/MiniCPM-OCR-1.0) 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. ## MiniCPMOcrVisionPreTrainedModel[[transformers.MiniCPMOcrVisionPreTrainedModel]] #### transformers.MiniCPMOcrVisionPreTrainedModel[[transformers.MiniCPMOcrVisionPreTrainedModel]] ```python transformers.MiniCPMOcrVisionPreTrainedModel(config: PreTrainedConfig, *inputs, **kwargs) ``` [Sumber](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) ``` Nilai mock untuk jalur bertitik (misalnya `torch.float32`): rantai akses atribut, panggilan berperilaku sebagai dekorator pass-through, `repr` adalah jalur bertitik, dan penggunaannya sebagai kelas dasar menggantikan kelas dasar `type` polos (PEP 560 `__mro_entries__`), sehingga subclass asli tetap mempertahankan metaclass normal dan `inspect.signature` membaca `__init__` asli mereka, bukan milik mock. ## MiniCPMOcrVisionModel[[transformers.MiniCPMOcrVisionModel]] #### transformers.MiniCPMOcrVisionModel[[transformers.MiniCPMOcrVisionModel]] ```python transformers.MiniCPMOcrVisionModel(config: MiniCPMOcrVisionConfig) ``` [Sumber](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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L442) **Parameter:** pixel_values (`` of shape `(batch_size, num_channels, image_size, image_size)`) : Tensor yang sesuai dengan gambar input. Nilai piksel dapat diperoleh menggunakan [MiniCPMOcrImageProcessor](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor). Lihat [MiniCPMOcrImageProcessor.__call__()](/docs/transformers/main/id/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) untuk detailnya ([MiniCPMOcrProcessor](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrProcessor) menggunakan [MiniCPMOcrImageProcessor](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor) untuk memproses gambar). target_sizes (`torch.IntTensor` dengan bentuk `(batch_size, 2)`, *opsional*) : Ukuran grid patch `(h, w)` untuk menghitung posisi embedding. use_vit_merger (`bool`, *opsional*, defaultnya `True`) : Apakah akan menerapkan penggabungan window-attention ViT setelah encoder. **Mengembalikan:** [BaseModelOutputWithPooling](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) atau `tuple(torch.Tensor)` [BaseModelOutputWithPooling](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) atau tuple dari `torch.Tensor` (jika `return_dict=False` diteruskan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([MiniCPMOcrConfig](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) dan input. Metode forward dari [MiniCPMOcrVisionModel](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrVisionModel) 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. - **pooler_output** (`torch.Tensor` dengan bentuk `(batch_size, hidden_size)`) -- Hidden-state lapisan terakhir dari token pertama dalam urutan (token klasifikasi) setelah diproses lebih lanjut melalui lapisan yang digunakan untuk tugas pra-pelatihan tambahan. Misalnya, untuk keluarga model BERT, ini mengembalikan token klasifikasi setelah diproses melalui lapisan linear dan fungsi aktivasi tanh. Bobot lapisan linear dilatih dari tujuan prediksi kalimat berikutnya (klasifikasi) selama pra-pelatihan. - **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. ## MiniCPMOcrModel[[transformers.MiniCPMOcrModel]] #### transformers.MiniCPMOcrModel[[transformers.MiniCPMOcrModel]] ```python transformers.MiniCPMOcrModel(config: MiniCPMOcrConfig) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L593) **Parameter:** config ([MiniCPMOcrConfig](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) : 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 MiniCPMOcr yang terdiri dari tulang punggung visual dan model bahasa, tanpa kepala pemodelan 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.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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L662) **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`, *opsional*) : Patch nilai piksel untuk gambar, dikemas NaViT. target_sizes (`torch.IntTensor`, *opsional*) : Tinggi dan lebar (dalam patch) untuk setiap gambar. pixel_values_videos (`torch.Tensor`, *opsional*) : Patch nilai piksel untuk bingkai video, dikemas NaViT. target_sizes_videos (`torch.IntTensor`, *opsional*) : Tinggi dan lebar (dalam patch) untuk setiap bingkai video. 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 (`list[torch.Tensor]`, *opsional*) : Hidden-states yang sudah 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`). downsample_mode (`str`, *opsional*) : `"4x"` mempertahankan 4x lebih banyak token visual; default `"16x"` menerapkan penggabungan penuh. 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:** [BaseModelOutputWithPast](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) atau `tuple(torch.Tensor)` [BaseModelOutputWithPast](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) atau tuple dari `torch.Tensor` (jika `return_dict=False` diteruskan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([MiniCPMOcrConfig](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) dan input. Metode forward dari [MiniCPMOcrModel](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrModel) 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, 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. #### get_image_features[[transformers.MiniCPMOcrModel.get_image_features]] ```python get_image_features(pixel_values: Tensor, target_sizes: IntTensor, downsample_mode: str | None = None, **kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L602) **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 [MiniCPMOcrImageProcessor](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor). Lihat [MiniCPMOcrImageProcessor.__call__()](/docs/transformers/main/id/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) untuk detailnya ([MiniCPMOcrProcessor](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrProcessor) menggunakan [MiniCPMOcrImageProcessor](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor) untuk memproses gambar). target_sizes (`torch.IntTensor` dengan bentuk `(num_images, 2)`) : Tinggi dan lebar (dalam patch) dari setiap gambar. downsample_mode (`str`, *opsional*) : Jika diatur ke `"4x"`, `vit_merger` antara dilewati sehingga setiap gambar mempertahankan `4×` lebih banyak token visual. Mode default `"16x"` menerapkan pipeline merge penuh. **Mengembalikan:** [BaseModelOutputWithPooling](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) atau `tuple(torch.Tensor)` A [BaseModelOutputWithPooling](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) atau tuple dari `torch.Tensor` (jika `return_dict=False` dilewatkan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([MiniCPMOcrConfig](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) dan input. Ekstrak fitur gambar: vision encoder, sisipkan merger, lalu MLP merger. - **last_hidden_state** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`) -- Urutan hidden-states pada keluaran lapisan terakhir model. - **pooler_output** (`torch.Tensor` dengan bentuk `(batch_size, hidden_size)`) -- Hidden-state lapisan terakhir dari token pertama dalam urutan (token klasifikasi) setelah diproses lebih lanjut melalui lapisan yang digunakan untuk tugas pra-pelatihan tambahan. Misalnya, untuk keluarga model BERT, ini mengembalikan token klasifikasi setelah diproses melalui lapisan linear dan fungsi aktivasi tanh. Bobot lapisan linear dilatih dari tujuan prediksi kalimat berikutnya (klasifikasi) selama pra-pelatihan. - **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. #### 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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L743) **Parameter:** pixel_values_videos (`torch.Tensor` dengan bentuk `(1, channels, patch_size, seq_len)`) : patch piksel berformat NaViT untuk semua frame video. Video processor menggabungkan patch dari setiap frame sepanjang dimensi terakhir menjadi satu urutan tunggal dengan dim-0 = 1, identik dengan format pengemasan gambar. target_sizes_videos (`torch.IntTensor` dengan bentuk `(num_patches, 2)`) : Tinggi dan lebar (dalam patch) dari setiap unit visual. downsample_mode (`str`, *opsional*) : Jika diatur ke `"4x"`, `vit_merger` antara dilewati sehingga setiap frame mempertahankan `4×` lebih banyak token visual. Mode default `"16x"` menerapkan pipeline merge penuh. **Mengembalikan:** [BaseModelOutputWithPooling](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) atau `tuple(torch.Tensor)` [BaseModelOutputWithPooling](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) atau tuple dari `torch.Tensor` (jika `return_dict=False` diteruskan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([MiniCPMOcrConfig](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) dan input. Ekstrak fitur video: kemas ulang frame ke format NaViT, lalu vision encoder + merger. - **last_hidden_state** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`) -- Urutan hidden-states pada keluaran lapisan terakhir model. - **pooler_output** (`torch.Tensor` dengan bentuk `(batch_size, hidden_size)`) -- Hidden-state lapisan terakhir dari token pertama dalam urutan (token klasifikasi) setelah diproses lebih lanjut melalui lapisan yang digunakan untuk tugas pra-pelatihan tambahan. Misalnya, untuk keluarga model BERT, ini mengembalikan token klasifikasi setelah diproses melalui lapisan linear dan fungsi aktivasi tanh. Bobot lapisan linear dilatih dari tujuan prediksi kalimat berikutnya (klasifikasi) selama pra-pelatihan. - **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. ## MiniCPMOcrForConditionalGeneration[[transformers.MiniCPMOcrForConditionalGeneration]] #### transformers.MiniCPMOcrForConditionalGeneration[[transformers.MiniCPMOcrForConditionalGeneration]] ```python transformers.MiniCPMOcrForConditionalGeneration(config: MiniCPMOcrConfig) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L779) **Parameter:** config ([MiniCPMOcrConfig](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) : 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 Minicpm Ocr untuk generasi 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.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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L790) **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`, *opsional*) : Patch nilai piksel untuk gambar, dikemas NaViT. target_sizes (`torch.IntTensor`, *opsional*) : Tinggi dan lebar (dalam patch) untuk setiap gambar. pixel_values_videos (`torch.Tensor`, *opsional*) : Patch nilai piksel untuk bingkai video, dikemas NaViT. target_sizes_videos (`torch.IntTensor`, *opsional*) : Tinggi dan lebar (dalam patch) untuk setiap bingkai video. 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 (`list[torch.Tensor]`, *opsional*) : Hidden-states yang sudah 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`). downsample_mode (`str`, *opsional*) : `"4x"` mempertahankan 4x lebih banyak token visual; default `"16x"` menerapkan penggabungan penuh. 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:** [CausalLMOutputWithPast](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) atau `tuple(torch.Tensor)` A [CausalLMOutputWithPast](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) atau tuple dari `torch.Tensor` (jika `return_dict=False` diteruskan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([MiniCPMOcrConfig](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) dan input. Metode forward dari [MiniCPMOcrForConditionalGeneration](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrForConditionalGeneration) 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 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 >>> 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) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L854) **Mengembalikan:** [BaseModelOutputWithPooling](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) atau `tuple(torch.Tensor)` [BaseModelOutputWithPooling](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) atau tuple dari `torch.Tensor` (jika `return_dict=False` diteruskan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([MiniCPMOcrConfig](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) dan input. Ekstrak fitur gambar: vision encoder, sisipkan merger, lalu MLP merger. - **last_hidden_state** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`) -- Urutan hidden-states pada keluaran lapisan terakhir model. - **pooler_output** (`torch.Tensor` dengan bentuk `(batch_size, hidden_size)`) -- Hidden-state lapisan terakhir dari token pertama dalam urutan (token klasifikasi) setelah diproses lebih lanjut melalui lapisan yang digunakan untuk tugas pra-pelatihan tambahan. Misalnya, untuk keluarga model BERT, ini mengembalikan token klasifikasi setelah diproses melalui lapisan linear dan fungsi aktivasi tanh. Bobot lapisan linear dilatih dari tujuan prediksi kalimat berikutnya (klasifikasi) selama pra-pelatihan. - **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 >>> 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) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L858) **Mengembalikan:** [BaseModelOutputWithPooling](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) atau `tuple(torch.Tensor)` [BaseModelOutputWithPooling](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) atau tuple dari `torch.Tensor` (jika `return_dict=False` diteruskan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([MiniCPMOcrConfig](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) dan input. Ekstrak fitur video: kemas ulang frame ke format NaViT, lalu vision encoder + merger. - **last_hidden_state** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`) -- Urutan hidden-states pada keluaran lapisan terakhir model. - **pooler_output** (`torch.Tensor` dengan bentuk `(batch_size, hidden_size)`) -- Hidden-state lapisan terakhir dari token pertama dalam urutan (token klasifikasi) setelah diproses lebih lanjut melalui lapisan yang digunakan untuk tugas pra-pelatihan tambahan. Misalnya, untuk keluarga model BERT, ini mengembalikan token klasifikasi setelah diproses melalui lapisan linear dan fungsi aktivasi tanh. Bobot lapisan linear dilatih dari tujuan prediksi kalimat berikutnya (klasifikasi) selama pra-pelatihan. - **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 >>> 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) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/processing_minicpm_ocr.py#L47) **Parameter:** image_processor (`MiniCPMOcrImageProcessor`) : Prosesor gambar adalah input yang wajib. video_processor (`MiniCPMOcrVideoProcessor`) : Prosesor video adalah input yang wajib. tokenizer (`TokenizersBackend`) : Tokenizer adalah input yang wajib. chat_template (`str`) : Template Jinja untuk mengonversi daftar pesan dalam chat menjadi string yang dapat ditokenisasi. Membangun MiniCPMOcrProcessor yang membungkus image processor, video processor, dan tokenizer menjadi satu processor. [MiniCPMOcrProcessor](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrProcessor) menyediakan semua fungsionalitas dari [MiniCPMOcrImageProcessor](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor), [MiniCPMOcrVideoProcessor](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrVideoProcessor), dan [TokenizersBackend](/docs/transformers/main/id/main_classes/tokenizer#transformers.TokenizersBackend). Lihat [~MiniCPMOcrImageProcessor](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor), [~MiniCPMOcrVideoProcessor](/docs/transformers/main/id/model_doc/minicpm_ocr#transformers.MiniCPMOcrVideoProcessor), dan [~TokenizersBackend](/docs/transformers/main/id/main_classes/tokenizer#transformers.TokenizersBackend) untuk informasi lebih lanjut. #### __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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/processing_minicpm_ocr.py#L70) **Parameter:** images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`, *opsional*) : Gambar untuk dipreprocess. Mengharapkan satu gambar atau batch gambar dengan nilai piksel berkisar dari 0 hingga 255. Jika memasukkan gambar dengan nilai piksel antara 0 dan 1, atur `do_rescale=False`. text (`Union[str, list[str], list[list[str]]]`, *opsional*) : Urutan atau batch dari urutan yang akan dienkod. Setiap urutan dapat berupa string atau daftar string (string yang sudah dipretokenisasi). Jika Anda memasukkan input yang sudah dipretokenisasi, setel `is_split_into_words=True` untuk menghindari ambiguitas dengan input yang di-batch. 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]]]`, *opsional*) : Video yang akan dipreprocess. Mengharapkan satu video atau batch video dengan nilai piksel berkisar dari 0 hingga 255. Jika memasukkan video dengan nilai piksel antara 0 dan 1, atur `do_rescale=False`. return_tensors (`str` atau [TensorType](/docs/transformers/main/id/internal/file_utils#transformers.TensorType), *opsional*) : Jika diatur, akan mengembalikan tensor dari framework tertentu. Nilai yang dapat diterima adalah: - `'pt'`: Mengembalikan objek `torch.Tensor` PyTorch. - `'np'`: Mengembalikan objek `np.ndarray` NumPy. - ****kwargs** ([ProcessingKwargs](/docs/transformers/main/id/main_classes/processors#transformers.ProcessingKwargs), *opsional*) : Opsi pemrosesan tambahan untuk setiap modalitas (teks, gambar, video, audio). Parameter spesifik model tercantum di atas; lihat kelas TypedDict untuk daftar lengkap argumen yang didukung. ## MiniCPMOcrImageProcessor[[transformers.MiniCPMOcrImageProcessor]] #### transformers.MiniCPMOcrImageProcessor[[transformers.MiniCPMOcrImageProcessor]] ```python transformers.MiniCPMOcrImageProcessor(**kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/image_processing_minicpm_ocr.py#L139) **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*) : 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]*) : Deviasi standar 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 mengisi (padding) gambar. Harus lebih besar dari ukuran gambar mana pun yang disediakan untuk pra-pemrosesan. Jika *pad_size* tidak disediakan, 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. Dapat 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 bukan dalam batch. Jika None, akan diatur 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 seharusnya diatur sebagai atribut prosesor pada model-model mendatang. max_slice_nums (*int*, *kwargs*, *optional*, defaultnya 9) : Jumlah maksimum slice saat membagi gambar resolusi tinggi. scale_resolution (*int*, *kwargs*, *opsional*, default 448) : Resolusi target untuk setiap slice. patch_size (*int*, *kwargs*, *opsional*, default 14) : Ukuran patch spasial dari encoder visual. slice_mode (*bool*, *kwargs*, *opsional*, defaultnya *True*) : Apakah akan membagi gambar menjadi beberapa potongan untuk resolusi yang lebih tinggi. downsample_mode (*str*, *kwargs*, *opsional*, defaultnya *"4x"*) : Mode downsampling token visual. *"4x"* mempertahankan 4x lebih banyak token daripada *"16x"*, yang menerapkan merge penuh. Penggantian per panggilan didukung. use_image_id (*bool*, *kwargs*, *opsional*, defaultnya *True*) : Apakah akan menambahkan tag image-id (`N`) sebelum setiap placeholder gambar. Diproses oleh Processor untuk pembuatan placeholder, bukan oleh pipeline pemrosesan gambar itu sendiri. small_image_upsize (*str*, *kwargs*, *opsional*, defaultnya *"always"*) : Cara gambar dan potongan yang ukurannya tidak lebih besar dari *scale_resolution* persegi di-resize. *"always"* memperbesar ukurannya menjadi *scale_resolution*, *"never"* mempertahankan resolusi aslinya yang selaras dengan grid patch, dan *"adaptive"* memilih per gambar dan per potongan berdasarkan ukuran dan kepadatan glyph (memerlukan OpenCV, lihat [*adaptive_upsize_resolution*]). Membangun pemroses gambar MiniCPMOcrImageProcessor. #### 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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/image_processing_minicpm_ocr.py#L246) **Parameter:** images (*Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]*) : Gambar untuk dipreprocess. Mengharapkan satu gambar atau batch gambar dengan nilai piksel berkisar dari 0 hingga 255. Jika memasukkan gambar dengan nilai piksel antara 0 dan 1, atur *do_rescale=False*. do_convert_rgb (*bool*, *kwargs*, *opsional*) : Apakah akan mengonversi gambar ke RGB. do_resize (*bool*, *kwargs*, *opsional*) : Apakah akan mengubah ukuran gambar. size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Menjelaskan dimensi input maksimum ke model. default_to_square (*bool*, *kwargs*, *opsional*) : 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*) : Filter resampling yang digunakan jika mengubah ukuran gambar. Ini dapat berupa salah satu enum *PILImageResampling*. Hanya berdampak jika *do_resize* diatur ke *True*. do_rescale (*bool*, *kwargs*, *opsional*) : Apakah akan melakukan penskalaan ulang pada gambar. rescale_factor (*float*, *kwargs*, *opsional*) : Faktor rescale untuk melakukan rescale pada gambar jika *do_rescale* diatur ke *True*. do_normalize (*bool*, *kwargs*, *opsional*) : Apakah akan menormalisasi gambar. image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *opsional*) : Rata-rata gambar yang digunakan untuk normalisasi. Hanya berdampak jika *do_normalize* diatur ke *True*. image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *opsional*) : 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 mengisi (padding) gambar. Harus lebih besar dari ukuran gambar mana pun yang disediakan untuk pra-pemrosesan. Jika *pad_size* tidak disediakan, 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. Dapat 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 bukan dalam batch. Jika None, akan diatur 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 seharusnya diatur sebagai atribut prosesor pada model-model mendatang. max_slice_nums (*int*, *kwargs*, *optional*, defaultnya 9) : Jumlah maksimum slice saat membagi gambar resolusi tinggi. scale_resolution (*int*, *kwargs*, *opsional*, default 448) : Resolusi target untuk setiap slice. patch_size (*int*, *kwargs*, *opsional*, default 14) : Ukuran patch spasial dari encoder visual. slice_mode (*bool*, *kwargs*, *opsional*, defaultnya *True*) : Apakah akan membagi gambar menjadi beberapa potongan untuk resolusi yang lebih tinggi. downsample_mode (*str*, *kwargs*, *opsional*, defaultnya *"4x"*) : Mode downsampling token visual. *"4x"* mempertahankan 4x lebih banyak token daripada *"16x"*, yang menerapkan merge penuh. Penggantian per panggilan didukung. use_image_id (*bool*, *kwargs*, *opsional*, defaultnya *True*) : Apakah akan menambahkan tag image-id (`N`) sebelum setiap placeholder gambar. Diproses oleh Processor untuk pembuatan placeholder, bukan oleh pipeline pemrosesan gambar itu sendiri. small_image_upsize (*str*, *kwargs*, *opsional*, defaultnya *"always"*) : Cara gambar dan potongan yang ukurannya tidak lebih besar dari *scale_resolution* persegi di-resize. *"always"* memperbesar ukurannya menjadi *scale_resolution*, *"never"* mempertahankan resolusi aslinya yang selaras dengan grid patch, dan *"adaptive"* memilih per gambar dan per potongan berdasarkan ukuran dan kepadatan glyph (memerlukan OpenCV, lihat [*adaptive_upsize_resolution*]). **Mengembalikan:** `*~feature_extraction_utils.BatchFeature*` - **data** (*dict*, *opsional*) -- Kamus berisi daftar/array/tensor yang dikembalikan oleh metode __call__/pad ('input_values', 'attention_mask', dll.). - **tensor_type** (*Union[None, str, TensorType]*, *opsional*) -- Anda dapat memberikan tensor_type di sini untuk mengonversi daftar bilangan bulat menjadi Tensor PyTorch/Numpy saat inisialisasi. - **skip_tensor_conversion** (*list[str]* atau *set[str]*, *opsional*) -- Daftar atau himpunan kunci yang TIDAK boleh dikonversi menjadi tensor, bahkan ketika *tensor_type* ditentukan. ## MiniCPMOcrVideoProcessor[[transformers.MiniCPMOcrVideoProcessor]] #### transformers.MiniCPMOcrVideoProcessor[[transformers.MiniCPMOcrVideoProcessor]] ```python transformers.MiniCPMOcrVideoProcessor(**kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/video_processing_minicpm_ocr.py#L77) **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*) : 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. 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]*) : Deviasi standar gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika *do_normalize* diatur ke *True*. do_center_crop (*bool*, *kwargs*, *opsional*) : Apakah akan melakukan center crop pada gambar. 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. crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Ukuran gambar keluaran setelah menerapkan *center_crop*. 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. Dapat 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. do_sample_frames (*bool*, *kwargs*, *opsional*, defaultnya *True*) : Apakah akan mengambil sampel frame dari video sebelum diproses atau memproses seluruh video. video_metadata (*Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]*, *kwargs*) : Metadata dari video yang berisi informasi tentang durasi total, fps, dan jumlah total frame. Metadata ini akan digunakan untuk mengambil sampel frame dari video atau menghitung timestamp. Jangan kirimkan metadata apa pun kecuali Anda mencoba mendekode video secara manual sebelum diproses fps (*Annotated[int | float | None, None]*, *kwargs*) : Bingkai target yang akan disampel per detik saat *do_sample_frames=True*. num_frames (*Annotated[int | None, None]*, *kwargs*) : Jumlah maksimum frame yang akan disampel saat *do_sample_frames=True*. return_metadata (*bool*, *kwargs*, *opsional*, defaultnya *False*) : Apakah akan mengembalikan metadata video atau tidak. Metadata video adalah objek yang berisi informasi tentang durasi video, fps, backend decoding, dll. return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : Jika diatur, akan mengembalikan tensor dari framework tertentu. Nilai yang dapat diterima adalah: - *'pt'*: Mengembalikan objek PyTorch *torch.Tensor*. - *'np'*: Mengembalikan objek NumPy *np.ndarray*. max_num_frames (*int*, *kwargs*, *optional*, default 128) : Jumlah maksimum frame utama yang diambil per video. stack_frames (*int*, *kwargs*, *opsional*, default 1) : Sub-frame per detik untuk ditumpuk. `1` menonaktifkan penumpukan. max_slice_nums (*int*, *kwargs*, *optional*, defaultnya 9) : Jumlah maksimum slice saat membagi gambar resolusi tinggi. scale_resolution (*int*, *kwargs*, *opsional*, default 448) : Resolusi target untuk setiap slice. patch_size (*int*, *kwargs*, *opsional*, default 14) : Ukuran patch spasial dari encoder visual. slice_mode (*bool*, *kwargs*, *opsional*, defaultnya *True*) : Apakah akan membagi gambar menjadi beberapa potongan untuk resolusi yang lebih tinggi. downsample_mode (*str*, *kwargs*, *opsional*, defaultnya *"4x"*) : Mode downsampling token visual. *"4x"* mempertahankan 4x lebih banyak token daripada *"16x"*, yang menerapkan merge penuh. use_image_id (*bool*, *kwargs*, *opsional*, defaultnya *True*) : Apakah akan menambahkan tag image-id (`N`) sebelum setiap placeholder gambar. Diproses oleh Processor untuk pembuatan placeholder, bukan oleh pipeline pemrosesan gambar itu sendiri. - ****kwargs** ([*ProcessingKwargs*], *opsional*) : Opsi pemrosesan tambahan untuk setiap modalitas (teks, gambar, video, audio). Parameter spesifik model tercantum di atas; lihat kelas TypedDict untuk daftar lengkap argumen yang didukung. Membangun pemroses video MiniCPMOcrVideoProcessor. #### 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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/video_processing_minicpm_ocr.py#L292) **Parameter:** 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]]]`) : Video yang akan dipreprocess. Mengharapkan satu video atau batch video dengan nilai piksel berkisar dari 0 hingga 255. Jika memasukkan video dengan nilai piksel antara 0 dan 1, atur `do_rescale=False`. do_convert_rgb (`bool`, *kwargs*, *opsional*) : Apakah akan mengkonversi gambar ke RGB. do_resize (`bool`, *kwargs*, *opsional*) : Apakah akan mengubah ukuran gambar. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Menjelaskan dimensi input maksimum ke model. default_to_square (`bool`, *kwargs*, *opsional*) : Apakah secara default menggunakan gambar persegi saat mengubah ukuran, jika size berupa int. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Filter resampling yang digunakan saat mengubah ukuran gambar. Nilai ini dapat berupa salah satu enum `PILImageResampling`. Hanya berpengaruh jika `do_resize` diatur ke `True`. do_rescale (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan penskalaan ulang pada gambar. rescale_factor (`float`, *kwargs*, *opsional*) : Faktor penskalaan ulang untuk menskalakan ulang gambar jika `do_rescale` diatur ke `True`. do_normalize (`bool`, *kwargs*, *opsional*) : Apakah akan menormalisasi gambar. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*) : 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*) : Standar deviasi gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. do_center_crop (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan center crop pada gambar. 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. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Ukuran gambar keluaran setelah menerapkan `center_crop`. 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. do_sample_frames (`bool`, *kwargs*, *opsional*) : Apakah akan mengambil sampel frame dari video sebelum diproses atau memproses seluruh video. video_metadata (`Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]`, *kwargs*) : Metadata dari video yang berisi informasi tentang durasi total, fps, dan jumlah total frame. Metadata ini akan digunakan untuk mengambil sampel frame dari video atau menghitung timestamp. Jangan mengirim metadata apa pun kecuali Anda mencoba mendekode video secara manual sebelum diproses fps (`Annotated[int | float | None, None]`, *kwargs*) : Bingkai target yang akan disampel per detik saat `do_sample_frames=True`. num_frames (`Annotated[int | None, None]`, *kwargs*) : Jumlah maksimum frame yang akan disampelkan saat `do_sample_frames=True`. return_metadata (`bool`, *kwargs*, *opsional*) : Apakah akan mengembalikan metadata video atau tidak. Metadata video adalah objek yang berisi informasi tentang durasi video, fps, backend decoding, dll. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Mengembalikan tensor yang ditumpuk jika disetel ke `'pt'`, selain itu mengembalikan daftar tensor. **Mengembalikan:** `~feature_extraction_utils.BatchFeature` - **data** (`dict`, *opsional*) -- Kamus berisi daftar/array/tensor yang dikembalikan oleh metode __call__/pad ('input_values', 'attention_mask', dll.). - **tensor_type** (`Union[None, str, TensorType]`, *opsional*) -- Anda dapat memberikan tensor_type di sini untuk mengonversi daftar bilangan bulat menjadi Tensor PyTorch/Numpy saat inisialisasi. - **skip_tensor_conversion** (`list[str]` atau `set[str]`, *opsional*) -- Daftar atau himpunan kunci yang TIDAK boleh dikonversi menjadi tensor, bahkan ketika `tensor_type` ditentukan.