「大規模言語モデルのための任意のPDFおよび画像からテキストを抽出する方法」

Extracting text from any PDF and image for large-scale language models

これらのテキスト抽出技術を使用して、LLMモデルの品質データを取得する

Image by Patrick Tomasso on Unsplash

動機

大規模言語モデルはインターネットを席巻し、これらのモデルの最も重要な部分である品質データに注意を払わない人々が増えています!

この記事では、任意の種類のドキュメントから効率的にテキストを抽出するためのいくつかの技術を提供します。このチュートリアルを完了することで、使用ケースに応じてどのツールを使用するかが明確になります。

Pythonライブラリ

この記事では、Pytesseract、easyOCR、PyPDF2、およびLangChainライブラリに焦点を当てています。実験データは1ページのPDFファイルであり、GitHubで自由に利用できます。

PytesseractとeasyOCRは画像で作業するため、コンテンツ抽出を行う前にPDFファイルを画像に変換する必要があります。

変換は、PDFファイル処理の強力なライブラリであるpypdfium2を使用して行うことができます。実装は以下の通りです:

pip install pypdfium2

この関数はPDFを入力として受け取り、PDFの各ページを画像のリストとして返します。

def convert_pdf_to_images(file_path, scale=300/72):        pdf_file = pdfium.PdfDocument(file_path)        page_indices = [i for i in range(len(pdf_file))]        renderer = pdf_file.render(        pdfium.PdfBitmap.to_pil,        page_indices = page_indices,         scale = scale,    )        final_images = []         for i, image in zip(page_indices, renderer):                image_byte_array = BytesIO()        image.save(image_byte_array, format='jpeg', optimize=True)        image_byte_array = image_byte_array.getvalue()        final_images.append(dict({i:image_byte_array}))        return final_images

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

機械学習

NVIDIA NeMoを使ったスタートアップが生成AIの成功ストーリーをスタートさせました

機械学習は、ワシーム・アルシークが大学の教科書を読み進めるのを助けました。現在、彼は生成型AIを活用し、数百の企業向け...

機械学習

「Declarai、FastAPI、およびStreamlitを使用してLLMチャットアプリケーションを展開する」

2022年10月、私が大規模言語モデル(LLM)の実験を始めたとき、最初の傾向はテキストの補完、分類、NER、およびその他のNLP関...

AI研究

芝浦工業大学の研究者たちは、深層学習を用いて顔方向検出を革新します:隠れた顔の特徴や広がる画角の課題に挑戦しています

コンピュータビジョンと人間との相互作用において、顔の向き推定という重要なタスクは、多様な応用を持つ重要な要素として浮...

機械学習

このAIニュースレターがあれば、あなたは全てが揃った!#70

今週のAIでは、特に2つの新しいエージェントモデルのリリースに興味を持っていましたNvidiaは、複雑なタスクを自律的に実行す...

人工知能

なぜBankrateはAI生成記事を諦めたのか

1月に、Bankrateとその姉妹サイトであるCNETがAIによって生成された数百の記事を公開することで話題となりました彼らは慎重に...

AIニュース

人工知能によって設計された薬剤が、人間の試験のために準備ができました

中国の複合企業フォン・グループとプライベートエクイティ企業ウォルバーグ・ピンカスに支援されたバイオテック企業Insilico ...