简体中文 | English

• 看来有人专门训练LLM来干这些活了。见refuel-llm-2。
• 关于OCR，可以结合使用Nougat、Marker、或多模态大模型MiniCPM-V。

未来人类会用大模型预加工所有数据。本项目旨在结合大模型来批量预处理数据，以支持科研目的。 现阶段支持OCR功能, 支持使用的大模型有 qwen(通义千问), moonshot(月之暗面), PaddleOCR(百度飞桨OCR), openai, Llava。

克隆并且进入仓库

git clone https://github.com/jackfsuia/LLM-Data-Cleaner.git && cd LLM-Data-Cleaner

进入仓库然后跑下面命令启动OCR

python start_ocr.py --model MODEL --key YOUR_API_KEY --img_path /path/to/images/ --outdir /path/to/output/ --lang language --batchsize batchsize

MODEL 的值可以是 "qwen"(通义千问), "moonshot"(月之暗面), "paddle"(百度飞桨OCR), "openai"和llava. YOUR_API_KEY 是你申请的API KEY，没有的话点上面相应的模型字体链接申请， paddle, llava不需要。 /path/to/images/ 是图片目录, 里面所有图片都会被OCR, 结果保存在 /path/to/output/ data.jsonl。 language 是识别的语言，值可以是 ch (中文), en (英文), fr (法语), german (德语), korean (韩语), japan (日语), 只有百度飞桨OCR可能会用到。batchsize 是每批量的大小，也是线程数，计算资源运行情况下，越大越好，默认是数据集大小。

假如你要用通义千问的qwen-vl-plus模型做OCR，API密钥是sbadgassjda，图片数据所在目录是/images/，结果输出data.jsonl文件目录是/images/，无论是识别什么语言，你都应该跑下面的代码

python start_ocr.py --model qwen-vl-plus --key sbadgassjda --img_path /images/ --outdir /images/

假如你要用百度飞桨OCR做OCR，图片数据所在目录是/images/，希望结果输出data.jsonl文件目录是/images/，语言是中文，那你应该跑下面的代码

python start_ocr.py --model paddle --img_path /images/ --outdir /images/ --lang ch

假如你要用 llava, 跑下面的代码

python start_ocr --model LLAVA_PATH --img_path /images/ --outdir /images/

`LLAVA_PATH`` is 你的llava模型路径(HuggingFace类的模型路径).

OCR的提示词存在文件ocr.py里。

项目许可证是LICENSE。