# PP-DocLayoutV4

## Tổng quan

**PP-DocLayoutV4** là một mô hình phân tích bố cục tài liệu end-to-end, dự đoán trong một lần truyền tiến (forward pass) rằng mỗi phần tử bố cục là gì, tứ giác bao quanh nó, và các logits mà thứ tự đọc được giải mã từ đó.

## Kiến trúc Mô hình

PP-DocLayoutV4 giữ nguyên khung RT-DETR của phiên bản trước — một backbone HGNetV2, một encoder lai AIFI và một decoder biến dạng — và thay đổi ba điểm:

- **Bốn cạnh thay vì mặt nạ.** [PPDocLayoutV3ForObjectDetection](/docs/transformers/main/vi/model_doc/pp_doclayout_v3#transformers.PPDocLayoutV3ForObjectDetection) dự đoán một mặt nạ phân đoạn cho mỗi truy vấn và khớp một đa giác vào đó. PP-DocLayoutV4 loại bỏ hoàn toàn nhánh mặt nạ và trực tiếp hồi quy một tứ giác bốn điểm, được mã hóa dưới dạng `[center_x, center_y, dx1, dy1, ..., dx4, dy4]` trong không gian sigmoid. Cách này xử lý các tài liệu bị nghiêng và biến dạng phối cảnh mà không cần chi phí cho đầu ra mặt nạ, và đặc trưng xương sống có bước đi 4 không còn cần thiết nữa.
- **Đầu (head) riêng cho từng lớp, không dùng chung.** Mỗi lớp giải mã (decoder) có hộp (box) và đầu phân loại riêng thay vì dùng chung một đầu với bộ mã hóa (encoder).
- **Hai đầu đọc thứ tự đọc cùng một bước hợp nhất.** Bên cạnh đầu thứ tự tương đối từ V3 (không đối xứng: “`i` có được đọc trước `j` không?”), có một đầu kế tiếp (ROOR: “`j` có đi ngay sau `i` không?”). `PPDocLayoutV4S2RFusion` gộp đóng bắc cầu suy giảm của ma trận kế tiếp trở lại vào logits thứ tự tương đối.

Thứ tự đọc không được giải mã bên trong mô hình. `PPDocLayoutV4ForObjectDetection` trả về `relative_order_logits` và `successor_order_logits` thô, và [post_process_object_detection()](/docs/transformers/main/vi/model_doc/pp_doclayout_v4#transformers.PPDocLayoutV4ImageProcessor.post_process_object_detection) chuyển chúng thành thứ hạng bằng cách ngưỡng hóa ma trận kế tiếp thành một đồ thị có hướng không chu trình (DAG), phá vỡ các chu trình, sắp xếp từng thành phần liên thông theo thứ tự topo, và sắp xếp các thành phần theo phiếu bầu thứ tự tương đối của chúng.

## Cách sử dụng

Kết quả trả về bởi [post_process_object_detection()](/docs/transformers/main/vi/model_doc/pp_doclayout_v4#transformers.PPDocLayoutV4ImageProcessor.post_process_object_detection) đã được sắp xếp theo thứ tự đọc. Mỗi kết quả chứa `polygon_points` — một tensor `(num_boxes, 4, 2)` của các góc được hồi quy theo thứ tự trên-trái, trên-phải, dưới-phải, dưới-trái — cùng với `boxes`, hình chữ nhật song song trục bao quanh mỗi tứ giác, và `order_seq`, thứ hạng bắt đầu từ 0 của mỗi hộp. Ví dụ [AutoModel](/docs/transformers/main/vi/model_doc/auto#transformers.AutoModel) bên dưới in trực tiếp `order_seq`, các ví dụ khác in vị trí bắt đầu từ 1 trong danh sách đã sắp xếp, tức là `order_seq + 1` trừ khi một truy vấn được giữ dưới nhiều nhãn.

[Pipeline](/docs/transformers/main/vi/main_classes/pipelines#transformers.Pipeline) giữ nguyên thứ tự đọc theo thứ tự của danh sách trả về, nhưng làm phẳng mỗi phát hiện thành một điểm số, một nhãn và một hộp bao dạng số nguyên. Sử dụng đường dẫn [AutoModel](/docs/transformers/main/vi/model_doc/auto#transformers.AutoModel) bên dưới để lấy các tứ giác và `order_seq`.

```python
from transformers import pipeline
from transformers.image_utils import load_image

image = load_image("https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/layout_demo.jpg")
layout_detector = pipeline("object-detection", model="PaddlePaddle/PP-DocLayoutV4_safetensors")
results = layout_detector(image)
for idx, res in enumerate(results):
    print(f"Order {idx + 1}: {res}")
```

```python
from transformers import AutoImageProcessor, AutoModelForObjectDetection
from transformers.image_utils import load_image

model_path = "PaddlePaddle/PP-DocLayoutV4_safetensors"
model = AutoModelForObjectDetection.from_pretrained(model_path, device_map="auto")
image_processor = AutoImageProcessor.from_pretrained(model_path)

image = load_image("https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/layout_demo.jpg")
inputs = image_processor(images=image, return_tensors="pt").to(device=model.device, dtype=model.dtype)

outputs = model(**inputs)
results = image_processor.post_process_object_detection(outputs, target_sizes=[image.size[::-1]])
for result in results:
    for score, label_id, box, quad, rank in zip(
        result["scores"], result["labels"], result["boxes"], result["polygon_points"], result["order_seq"]
    ):
        box = [round(i, 2) for i in box.tolist()]
        print(f"Order {rank.item()}: {model.config.id2label[label_id.item()]}, score: {score.item():.2f}, box: {box}")
        print(f"         corners: {[[round(x, 2) for x in point] for point in quad.tolist()]}")
```

### Suy luận theo lô

Truyền vào một danh sách các hình ảnh và một kích thước đích cho mỗi hình ảnh. Thứ tự đọc được giải mã cho từng hình ảnh.

```python
from transformers import AutoImageProcessor, AutoModelForObjectDetection
from transformers.image_utils import load_image

model_path = "PaddlePaddle/PP-DocLayoutV4_safetensors"
model = AutoModelForObjectDetection.from_pretrained(model_path, device_map="auto")
image_processor = AutoImageProcessor.from_pretrained(model_path)

image = load_image("https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/layout_demo.jpg")
inputs = image_processor(images=[image, image], return_tensors="pt").to(device=model.device, dtype=model.dtype)

outputs = model(**inputs)
results = image_processor.post_process_object_detection(outputs, target_sizes=[image.size[::-1]] * 2)
for result in results:
    print("result:")
    for idx, (score, label_id, box) in enumerate(zip(result["scores"], result["labels"], result["boxes"])):
        box = [round(i, 2) for i in box.tolist()]
        print(f"Order {idx + 1}: {model.config.id2label[label_id.item()]}, score: {score.item():.2f}, box: {box}")
```

## PPDocLayoutV4ForObjectDetection[[transformers.PPDocLayoutV4ForObjectDetection]]

#### transformers.PPDocLayoutV4ForObjectDetection[[transformers.PPDocLayoutV4ForObjectDetection]]

```python
transformers.PPDocLayoutV4ForObjectDetection(config: PPDocLayoutV4Config)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pp_doclayout_v4/modeling_pp_doclayout_v4.py#L1650)

**Tham số:**

config ([PPDocLayoutV4Config](/docs/transformers/main/vi/model_doc/pp_doclayout_v4#transformers.PPDocLayoutV4Config)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Mô hình PP-DocLayoutV4 (gồm một backbone và encoder-decoder) xuất ra các tứ giác, logits lớp và logits thứ tự đọc, cho các tác vụ như phân tích bố cục tài liệu.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel). Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu ra, v.v.)

Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

#### forward[[transformers.PPDocLayoutV4ForObjectDetection.forward]]

```python
forward(pixel_values: Tensor, pixel_mask: typing.Optional[torch.LongTensor] = None, encoder_outputs: typing.Optional[torch.Tensor] = None, labels: list[dict] | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pp_doclayout_v4/modeling_pp_doclayout_v4.py#L1668)

**Tham số:**

pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng `image_processor_class`. Xem `image_processor_class.__call__` để biết chi tiết (`processor_class` sử dụng `image_processor_class` để xử lý ảnh).

pixel_mask (`torch.LongTensor` có hình dạng `(batch_size, height, width)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các giá trị pixel đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các pixel thực (tức là **không bị che**), - 0 cho các pixel đệm (tức là **bị che**).  [Mặt nạ chú ý là gì?](../glossary#attention-mask)

encoder_outputs (`torch.Tensor`, *tùy chọn*) : Tuple gồm (`last_hidden_state`, *tùy chọn*: `hidden_states`, *tùy chọn*: `attentions`) `last_hidden_state` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) là một chuỗi các hidden-states tại đầu ra của lớp cuối cùng của encoder. Được sử dụng trong cross-attention của decoder.

labels (`list[Dict]` có độ dài `(batch_size,)`, *tùy chọn*) : Không được hỗ trợ: PP-DocLayoutV4 chỉ dùng để suy luận trong Transformers.

**Trả về:** `PPDocLayoutV4ForObjectDetectionOutput` hoặc `tuple(torch.Tensor)`

Một `PPDocLayoutV4ForObjectDetectionOutput` hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình (`None`) và đầu vào.

Phương thức forward của [PPDocLayoutV4ForObjectDetection](/docs/transformers/main/vi/model_doc/pp_doclayout_v4#transformers.PPDocLayoutV4ForObjectDetection) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng.

- **logits** (`torch.Tensor` có shape `(batch_size, num_queries, config.num_labels)`) -- Logits phân loại (không bao gồm no-object) cho tất cả các query.
- **pred_boxes** (`torch.Tensor` có shape `(batch_size, num_queries, config.num_coords)`) -- Các quad đã chuẩn hóa cho tất cả các query, được mã hóa dưới dạng `[center_x, center_y, dx1, dy1, ..., dx4, dy4]` trong đó các offset góc được dịch chuyển bởi `+0.5`. Sử dụng [post_process_object_detection()](/docs/transformers/main/vi/model_doc/pp_doclayout_v4#transformers.PPDocLayoutV4ImageProcessor.post_process_object_detection) để lấy các góc chưa chuẩn hóa và các box bao quanh tương ứng.
- **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, num_queries, hidden_size)`) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.
- **intermediate_hidden_states** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, hidden_size)`) -- Các trạng thái ẩn trung gian được xếp chồng (đầu ra của từng lớp trong bộ giải mã).
- **intermediate_reference_points** (`torch.Tensor` có shape `(batch_size, config.decoder_layers, num_queries, config.num_coords)`) -- Các điểm tham chiếu trung gian được xếp chồng (các quad đã tinh chỉnh của từng lớp trong decoder).
- **decoder_hidden_states** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple các `torch.Tensor` (một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`.

  Trạng thái ẩn của bộ giải mã tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.
- **decoder_attentions** (`tuple[torch.Tensor]`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý của bộ giải mã, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự (self-attention).
- **cross_attentions** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý của lớp cross-attention của bộ giải mã, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý chéo.
- **encoder_last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) -- Chuỗi các trạng thái ẩn tại đầu ra của lớp cuối cùng của bộ mã hóa trong mô hình.
- **encoder_hidden_states** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple các `torch.Tensor` (một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`.

  Trạng thái ẩn của bộ mã hóa tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.
- **encoder_attentions** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý của bộ mã hóa, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự thân.
- **init_reference_points** (`torch.Tensor` có hình dạng `(batch_size, num_queries, config.num_coords)`) -- Các điểm tham chiếu hình tứ giác ban đầu được truyền qua bộ giải mã Transformer.
- **enc_topk_logits** (`torch.Tensor` có shape `(batch_size, num_queries, config.num_labels)`) -- Logits của các lớp cho các đề xuất (proposals) của encoder được chọn làm query của decoder.
- **enc_topk_bboxes** (`torch.Tensor` có hình dạng `(batch_size, num_queries, config.num_coords)`) -- Các quad của các đề xuất từ encoder được chọn làm truy vấn cho decoder.
- **enc_outputs_class** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, config.num_labels)`) -- Logit phân loại của mọi đề xuất từ bộ mã hóa.
- **enc_outputs_coord_logits** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, config.num_coords)`) -- Quad logits của mọi đề xuất từ encoder.
- **denoising_meta_values** (`dict`, *tùy chọn*) -- Từ điển bổ sung cho các giá trị liên quan đến khử nhiễu.
- **relative_order_logits** (`torch.Tensor` có hình dạng `(batch_size, config.num_queries, config.num_queries)`) -- Logits thứ tự đọc tương đối từng cặp, sau bước hợp nhất S2R tùy chọn. Một giá trị `relative_order_logits[i, j]` dương có nghĩa là truy vấn `i` được đọc trước truy vấn `j`.
- **successor_order_logits** (`torch.Tensor` có hình dạng `(batch_size, config.num_queries, config.num_queries)`) -- Logits của cặp trực tiếp kế tiếp (ROOR). Một giá trị `successor_order_logits[i, j]` dương có nghĩa là truy vấn `j` trực tiếp đi sau truy vấn `i`.

Ví dụ:

```python
>>> from transformers import AutoImageProcessor, AutoModelForObjectDetection
>>> from PIL import Image
>>> import httpx
>>> from io import BytesIO

>>> url = "https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/layout_demo.jpg"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))

>>> model_path = "PaddlePaddle/PP-DocLayoutV4_safetensors"
>>> image_processor = AutoImageProcessor.from_pretrained(model_path)
>>> model = AutoModelForObjectDetection.from_pretrained(model_path)

>>> inputs = image_processor(images=[image], return_tensors="pt")
>>> outputs = model(**inputs)

>>> # results are already sorted by reading order
>>> results = image_processor.post_process_object_detection(outputs, target_sizes=[image.size[::-1]])
>>> for result in results:
...     for idx, (score, label_id, box) in enumerate(zip(result["scores"], result["labels"], result["boxes"])):
...         box = [round(i, 2) for i in box.tolist()]
...         print(f"Order {idx + 1}: {model.config.id2label[label_id.item()]}: {score.item():.2f} {box}")
Order 1: text: 0.99 [336.07, 182.04, 894.17, 652.62]
Order 2: paragraph_title: 0.98 [336.45, 681.88, 868.78, 796.91]
Order 3: text: 0.99 [334.01, 840.84, 889.11, 1452.29]
Order 4: text: 0.99 [920.65, 183.62, 1476.75, 462.75]
Order 5: text: 0.99 [919.55, 482.55, 1479.85, 763.41]
Order 6: text: 0.98 [919.34, 844.48, 1481.28, 1219.44]
Order 7: text: 0.98 [920.84, 1238.61, 1467.66, 1374.54]
Order 8: text: 0.90 [334.24, 1612.85, 1478.79, 1730.92]
Order 9: text: 0.95 [334.25, 1755.98, 1467.34, 1845.6]
Order 10: text: 0.65 [337.14, 1909.47, 659.78, 1938.2]
Order 11: footnote: 0.78 [338.73, 2114.87, 1448.16, 2172.06]
Order 12: number: 0.98 [106.08, 2257.42, 134.76, 2281.3]
Order 13: footer: 0.93 [339.27, 2255.7, 984.16, 2282.81]
```

## PPDocLayoutV4Model[[transformers.PPDocLayoutV4Model]]

#### transformers.PPDocLayoutV4Model[[transformers.PPDocLayoutV4Model]]

```python
transformers.PPDocLayoutV4Model(config: PPDocLayoutV4Config)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pp_doclayout_v4/modeling_pp_doclayout_v4.py#L1328)

**Tham số:**

config ([PPDocLayoutV4Config](/docs/transformers/main/vi/model_doc/pp_doclayout_v4#transformers.PPDocLayoutV4Config)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Mô hình PP-DocLayoutV4 (gồm một backbone và encoder-decoder) xuất ra các hidden states thô mà không có head nào phía trên.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel). Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu ra, v.v.)

Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

#### forward[[transformers.PPDocLayoutV4Model.forward]]

```python
forward(pixel_values: Tensor, pixel_mask: typing.Optional[torch.LongTensor] = None, encoder_outputs: typing.Optional[torch.Tensor] = None, labels: list[dict] | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pp_doclayout_v4/modeling_pp_doclayout_v4.py#L1466)

**Tham số:**

pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng `image_processor_class`. Xem `image_processor_class.__call__` để biết chi tiết (`processor_class` sử dụng `image_processor_class` để xử lý ảnh).

pixel_mask (`torch.LongTensor` có hình dạng `(batch_size, height, width)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các giá trị pixel đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các pixel thực (tức là **không bị che**), - 0 cho các pixel đệm (tức là **bị che**).  [Mặt nạ chú ý là gì?](../glossary#attention-mask)

encoder_outputs (`torch.Tensor`, *tùy chọn*) : Tuple gồm (`last_hidden_state`, *tùy chọn*: `hidden_states`, *tùy chọn*: `attentions`) `last_hidden_state` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) là một chuỗi các hidden-states tại đầu ra của lớp cuối cùng của encoder. Được sử dụng trong cross-attention của decoder.

labels (`list[Dict]` có độ dài `(batch_size,)`, *tùy chọn*) : Không được hỗ trợ: PP-DocLayoutV4 chỉ dùng để suy luận trong Transformers.

**Trả về:** `PPDocLayoutV4ModelOutput` hoặc `tuple(torch.Tensor)`

Một `PPDocLayoutV4ModelOutput` hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình (`None`) và đầu vào.

Phương thức forward của [PPDocLayoutV4Model](/docs/transformers/main/vi/model_doc/pp_doclayout_v4#transformers.PPDocLayoutV4Model) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng.

- **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, num_queries, hidden_size)`) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của bộ giải mã (decoder) của mô hình.
- **intermediate_hidden_states** (`torch.Tensor` có hình dạng `(batch_size, config.decoder_layers, num_queries, hidden_size)`) -- Các trạng thái ẩn trung gian được xếp chồng (đầu ra của từng lớp trong bộ giải mã).
- **intermediate_reference_points** (`torch.Tensor` có shape `(batch_size, config.decoder_layers, num_queries, config.num_coords)`) -- Các điểm tham chiếu trung gian được xếp chồng (các quad đã tinh chỉnh của từng lớp trong decoder).
- **decoder_hidden_states** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple các `torch.Tensor` (một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`.

  Trạng thái ẩn của bộ giải mã tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.
- **decoder_attentions** (`tuple[torch.Tensor]`, *tùy chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý của bộ giải mã, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự (self-attention).
- **cross_attentions** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý của lớp cross-attention của bộ giải mã, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý chéo.
- **encoder_last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) -- Chuỗi các trạng thái ẩn tại đầu ra của lớp cuối cùng của bộ mã hóa trong mô hình.
- **encoder_hidden_states** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple các `torch.Tensor` (một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`.

  Trạng thái ẩn của bộ mã hóa tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.
- **encoder_attentions** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý của bộ mã hóa, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự thân.
- **init_reference_points** (`torch.Tensor` có hình dạng `(batch_size, num_queries, config.num_coords)`) -- Các điểm tham chiếu hình tứ giác ban đầu được truyền qua bộ giải mã Transformer.
- **enc_topk_logits** (`torch.Tensor` có shape `(batch_size, num_queries, config.num_labels)`) -- Logits của các lớp cho các đề xuất (proposals) của encoder được chọn làm query của decoder.
- **enc_topk_bboxes** (`torch.Tensor` có hình dạng `(batch_size, num_queries, config.num_coords)`) -- Các quad của các đề xuất từ encoder được chọn làm truy vấn cho decoder.
- **enc_outputs_class** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, config.num_labels)`) -- Logit phân loại của mọi đề xuất từ bộ mã hóa.
- **enc_outputs_coord_logits** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, config.num_coords)`) -- Quad logits của mọi đề xuất từ encoder.
- **denoising_meta_values** (`dict`, *tùy chọn*) -- Từ điển bổ sung cho các giá trị liên quan đến khử nhiễu.
- **logits** (`torch.Tensor` có shape `(batch_size, num_queries, config.num_labels)`) -- Classification logits của lớp decoder cuối cùng.
- **relative_order_logits** (`torch.Tensor` có hình dạng `(batch_size, config.num_queries, config.num_queries)`) -- Logits thứ tự đọc tương đối từng cặp, sau bước hợp nhất S2R tùy chọn.
- **successor_order_logits** (`torch.Tensor` có hình dạng `(batch_size, config.num_queries, config.num_queries)`) -- Logits của cặp trực tiếp kế tiếp (ROOR).

## PPDocLayoutV4Config[[transformers.PPDocLayoutV4Config]]

#### transformers.PPDocLayoutV4Config[[transformers.PPDocLayoutV4Config]]

```python
transformers.PPDocLayoutV4Config(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, 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, is_encoder_decoder: bool = True, initializer_range: float = 0.01, initializer_bias_prior_prob: float | None = None, layer_norm_eps: float = 1e-05, batch_norm_eps: float = 1e-05, tie_word_embeddings: bool = True, backbone_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, freeze_backbone_batch_norms: bool = True, encoder_hidden_dim: int = 256, encoder_in_channels: list[int] | tuple[int, ...] = (512, 1024, 2048), feat_strides: list[int] | tuple[int, ...] = (8, 16, 32), encoder_layers: int = 1, encoder_ffn_dim: int = 1024, encoder_attention_heads: int = 8, dropout: float | int = 0.0, activation_dropout: float | int = 0.0, encode_proj_layers: list[int] | tuple[int, ...] = (2,), positional_encoding_temperature: int = 10000, encoder_activation_function: str = 'gelu', activation_function: str = 'silu', eval_size: list[int] | tuple[int, int] | None = None, normalize_before: bool = False, hidden_expansion: float = 1.0, num_queries: int = 300, decoder_in_channels: list[int] | tuple[int, ...] = (256, 256, 256), decoder_ffn_dim: int = 1024, num_feature_levels: int = 3, decoder_n_points: int = 4, decoder_layers: int = 6, decoder_attention_heads: int = 8, decoder_activation_function: str = 'relu', attention_dropout: float | int = 0.0, num_denoising: int = 100, anchor_image_size: list[int] | tuple[int, int] | None = None, disable_custom_kernels: bool = True, global_pointer_head_size: int = 64, gp_dropout_value: float | int = 0.1, hidden_size: int = 256, num_coords: int = 10, s2r_steps: int = 3, s2r_damping: float = 0.5, s2r_closure_weight_init: float = 0.0)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pp_doclayout_v4/configuration_pp_doclayout_v4.py#L30)

**Tham số:**

is_encoder_decoder (`bool`, *tùy chọn*, mặc định là `True`) : Xác định xem mô hình có được sử dụng như một bộ mã hóa/giải mã hay không.

initializer_range (`float`, *optional*, mặc định là `0.01`) : Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.

initializer_bias_prior_prob (`float`, *optional*) : Xác suất tiên nghiệm được bộ khởi tạo bias sử dụng để khởi tạo bias cho `enc_score_head` và `class_embed`. Nếu `None`, giá trị mặc định là `1 / (num_labels + 1)`.

layer_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-05`) : Epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization).

batch_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-05`) : Epsilon được sử dụng bởi các lớp chuẩn hóa theo lô (batch normalization).

tie_word_embeddings (`bool`, *tùy chọn*, mặc định là `True`) : Có nên gắn kết các nhúng trọng số theo ánh xạ `tied_weights_keys` của mô hình hay không.

backbone_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *tùy chọn*) : Cấu hình của mô hình backbone.

freeze_backbone_batch_norms (`bool`, *tùy chọn*, mặc định là `True`) : Có nên đóng băng các lớp chuẩn hóa lô (batch normalization) trong khung xương (backbone) hay không.

encoder_hidden_dim (`int`, *tuỳ chọn*, mặc định là `256`) : Kích thước của các biểu diễn ẩn.

encoder_in_channels (`list`, *tùy chọn*, mặc định là `[512, 1024, 2048]`) : Đầu vào đặc trưng đa cấp cho bộ mã hóa.

feat_strides (`list[int]`, *tùy chọn*, mặc định là `[8, 16, 32]`) : Các bước nhảy (strides) được sử dụng trong mỗi bản đồ đặc trưng.

encoder_layers (`int`, *tuỳ chọn*, mặc định là `1`) : Số lượng lớp ẩn trong bộ mã hóa Transformer. Nếu không được đặt, giá trị này sẽ giống với `num_layers`.

encoder_ffn_dim (`int`, *optional*, mặc định là `1024`) : Độ chiều của lớp "intermediate" (thường được gọi là feed-forward) trong encoder.

encoder_attention_heads (`int`, *tuỳ chọn*, mặc định là `8`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ mã hóa Transformer.

dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ cho tất cả các lớp dropout.

activation_dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ dropout cho các kích hoạt bên trong lớp liên kết đầy đủ.

encode_proj_layers (`list[int]`, *tuỳ chọn*, mặc định là `[2]`) : Chỉ số của các lớp được chiếu (projected) sẽ được sử dụng trong bộ mã hóa (encoder).

positional_encoding_temperature (`int`, *tuỳ chọn*, mặc định là 10000) : Tham số nhiệt độ được sử dụng để tạo các mã hóa vị trí.

encoder_activation_function (`str`, *tùy chọn*, mặc định là `"gelu"`) : Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong encoder và pooler. Nếu là chuỗi, `"gelu"`, `"relu"`, `"silu"` và `"gelu_new"` được hỗ trợ.

activation_function (`str`, *tùy chọn*, mặc định là `silu`) : Hàm kích hoạt phi tuyến tính (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, `"gelu"`, `"relu"`, `"silu"`, v.v.

eval_size (`tuple[int, int]`, *optional*) : Chiều cao và chiều rộng được sử dụng để tính chiều cao và chiều rộng hiệu dụng của các position embeddings sau khi đã tính đến stride. Phải để là `None` để tái tạo lại implementation tham chiếu, vốn tính các position embeddings một cách động.

normalize_before (`bool`, *tùy chọn*, mặc định là `False`) : Xác định việc có áp dụng layer normalization trong lớp encoder của transformer trước các module self-attention và feed-forward hay không.

hidden_expansion (`float`, *optional*, mặc định là 1.0) : Tỷ lệ mở rộng để tăng kích thước chiều của RepVGGBlock và CSPRepLayer.

num_queries (`int`, *tuỳ chọn*, mặc định là 300) : Số lượng truy vấn đối tượng.

decoder_in_channels (`list`, *tùy chọn*, mặc định là `[256, 256, 256]`) : Kích thước đặc trưng đa cấp cho bộ giải mã

decoder_ffn_dim (`int`, *tuỳ chọn*, mặc định là 1024) : Kích thước của lớp "trung gian" (thường được gọi là feed-forward) trong bộ giải mã.

num_feature_levels (`int`, *tuỳ chọn*, mặc định là 3) : Số lượng cấp độ đặc trưng đầu vào.

decoder_n_points (`int`, *tuỳ chọn*, mặc định là 4) : Số lượng các key được lấy mẫu ở mỗi cấp độ đặc trưng cho mỗi đầu chú ý trong bộ giải mã.

decoder_layers (`int`, *tuỳ chọn*, mặc định là `6`) : Số lượng lớp ẩn trong bộ giải mã Transformer. Nếu không được đặt, giá trị này sẽ giống với `num_layers`.

decoder_attention_heads (`int`, *tuỳ chọn*, mặc định là `8`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer.

decoder_activation_function (`str`, *tùy chọn*, mặc định là `"relu"`) : Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Nếu là chuỗi, `"gelu"`, `"relu"`, `"silu"` và `"gelu_new"` được hỗ trợ.

attention_dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ dropout cho các xác suất chú ý.

num_denoising (`int`, *tuỳ chọn*, mặc định là 100) : Tổng số tác vụ hoặc truy vấn khử nhiễu sẽ được sử dụng cho khử nhiễu tương phản.

anchor_image_size (`tuple[int, int]`, *optional*) : Chiều cao và chiều rộng của ảnh đầu vào được sử dụng trong quá trình đánh giá để tạo các neo hộp bao (bounding box anchors). Nếu là None, việc tạo neo tự động sẽ được áp dụng.

disable_custom_kernels (`bool`, *tùy chọn*, mặc định là `True`) : Có vô hiệu hóa các kernel tùy chỉnh hay không.

global_pointer_head_size (`int`, *tuỳ chọn*, mặc định là 64) : Kích thước của đầu con trỏ toàn cục.

gp_dropout_value (`float`, *tuỳ chọn*, mặc định là 0.1) : Xác suất dropout trong đầu con trỏ toàn cục.

hidden_size (`int`, *optional*, mặc định là 256) : Kích thước của các lớp decoder, không bao gồm hybrid encoder. Cũng có thể đọc là `d_model`, tên được sử dụng bởi dòng RT-DETR mà mô hình này kế thừa.

num_coords (`int`, *tuỳ chọn*, mặc định là 10) : Kích thước của tham số hóa hộp do các đầu bbox dự đoán. PP-DocLayoutV4 hồi quy một tứ giác bốn điểm được mã hóa dưới dạng `[center_x, center_y, dx1, dy1, dx2, dy2, dx3, dy3, dx4, dy4]` trong không gian sigmoid, trong đó các độ lệch góc được dịch chuyển bởi `+0.5`. Chỉ hỗ trợ `10`.

s2r_steps (`int`, *tuỳ chọn*, mặc định là 3) : Số bước lan truyền được sử dụng để xấp xỉ đóng bắc cầu của ma trận kế tiếp.

s2r_damping (`float`, *tuỳ chọn*, mặc định là 0.5) : Hệ số giảm chấn được áp dụng cho mỗi bước lan truyền bổ sung của phép đóng bắc cầu.

s2r_closure_weight_init (`float`, *optional*, mặc định là 0.0) : Giá trị ban đầu của cổng có thể học được (learnable gate) dùng để trọng số hóa số hạng đóng (closure term). Mặc định là `0.0` để đảm bảo một module kết hợp (fusion module) chưa được huấn luyện có giá trị số học tương đương với việc chỉ sử dụng logits thứ tự tương đối.

Đây là lớp cấu hình để lưu trữ cấu hình của một PPDocLayoutV4Model. Nó được sử dụng để khởi tạo một mô hình Pp Doclayout V4 theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của [PaddlePaddle/PP-DocLayoutV4_safetensors](https://huggingface.co/PaddlePaddle/PP-DocLayoutV4_safetensors)

Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin.

Ví dụ:

```python
>>> from transformers import PPDocLayoutV4Config, PPDocLayoutV4ForObjectDetection

>>> # Initializing a PP-DocLayoutV4 configuration
>>> configuration = PPDocLayoutV4Config()

>>> # Initializing a model (with random weights) from the configuration
>>> model = PPDocLayoutV4ForObjectDetection(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## PPDocLayoutV4ImageProcessor[[transformers.PPDocLayoutV4ImageProcessor]]

#### transformers.PPDocLayoutV4ImageProcessor[[transformers.PPDocLayoutV4ImageProcessor]]

```python
transformers.PPDocLayoutV4ImageProcessor(**kwargs: *<class 'transformers.processing_utils.ImagesKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pp_doclayout_v4/image_processing_pp_doclayout_v4.py#L36)

**Tham số:**

do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không.

do_resize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có thay đổi kích thước ảnh hay không.

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, mặc định là `{'height' : 800, 'width': 800}`): Mô tả kích thước đầu vào tối đa cho mô hình.

default_to_square (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Có nên mặc định sử dụng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên.

crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng `center_crop`.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, mặc định là `3`) : Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`.

do_rescale (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Xác định có nên điều chỉnh lại tỷ lệ ảnh hay không.

rescale_factor (`float`, *kwargs*, *optional*, mặc định là `0.00392156862745098`) : Hệ số để điều chỉnh lại kích thước ảnh nếu `do_rescale` được đặt thành `True`.

do_normalize (`bool`, *kwargs*, *tuỳ chọn*, mặc định là `True`) : Có chuẩn hóa hình ảnh hay không.

image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[0, 0, 0]`) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*, mặc định là `[1, 1, 1]`) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

do_pad (`bool`, *kwargs*, *optional*) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model.

pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước ở dạng `{"height": int, "width" int}` để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi `do_pad=True.`

do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width).

device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.

return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Trả về các tensor đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor.

disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157

image_seq_length (`int`, *kwargs*, *optional*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. Trả về các tensor được xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor.

disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157

image_seq_length (`int`, *kwargs*, *optional*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. Trả về các tensor được xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor.

disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157

image_seq_length (`int`, *kwargs*, *optional*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. Trả về các tensor được xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor.

disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157

image_seq_length (`int`, *kwargs*, *tuỳ chọn*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.

Trả về các tensor được xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor. --

Tạo một bộ xử lý ảnh PPDocLayoutV4ImageProcessor.

disable_grouping (`bool`, *kwargs*, *optional*): Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *optional*): Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.

#### preprocess[[transformers.PPDocLayoutV4ImageProcessor.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']], *args, image_like_kwargs: dict[str, typing.Any] | None = None, **kwargs: *<class 'transformers.processing_utils.ImagesKwargs'>)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/image_processing_utils.py#L382)

**Tham số:**

images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`) : Ảnh cần tiền xử lý. Kỳ vọng một ảnh đơn hoặc một lô ảnh có giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặt `do_rescale=False`.

image_like_kwargs (`dict[str, Any]`, *tùy chọn*) : Cờ dành cho nhà phát triển cho các đầu vào dạng ảnh bổ sung cũng sẽ được tiền xử lý. Chỉ sử dụng cờ này nếu việc truyền các đầu vào dưới dạng kwarg không hoạt động. Ví dụ, `preprocess(images, masks=masks)` là tùy chọn được ưu tiên nhưng có thể gây ra các vấn đề về thứ tự ưu tiên của đối số đối với một số mô hình. Trong những trường hợp đó, có thể sử dụng `preprocess(images, image_like_inputs={"masks": masks})` thay thế.

do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không.

do_resize (`bool`, *kwargs*, *optional*) : Xác định có nên thay đổi kích thước ảnh hay không.

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*): Mô tả các kích thước đầu vào tối đa của mô hình.

default_to_square (`bool`, *kwargs*, *tuỳ chọn*) : Có mặc định dùng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên.

crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng `center_crop`.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Bộ lọc resampling để sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các enum `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`.

do_rescale (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có nên điều chỉnh lại tỷ lệ hình ảnh hay không.

rescale_factor (`float`, *kwargs*, *optional*) : Hệ số để thay đổi tỷ lệ ảnh nếu `do_rescale` được đặt thành `True`.

do_normalize (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có chuẩn hóa hình ảnh hay không.

image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`.

do_pad (`bool`, *kwargs*, *optional*) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model.

pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước ở dạng `{"height": int, "width" int}` để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp cho tiền xử lý. Nếu `pad_size` không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi `do_pad=True.`

do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width).

device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào.

return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Trả về các tensor đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor.

disable_grouping (`bool`, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157

image_seq_length (`int`, *kwargs*, *tuỳ chọn*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý.

**Trả về:** `~image_processing_base.BatchFeature`

- **data** (`dict`) -- Từ điển chứa các danh sách/mảng/tensor được trả về bởi phương thức __call__ ('pixel_values', v.v.).
- **tensor_type** (`Union[None, str, TensorType]`, *tùy chọn*) -- Bạn có thể cung cấp tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo.

Tiền xử lý một hình ảnh hoặc một lô hình ảnh.

#### post_process_object_detection[[transformers.PPDocLayoutV4ImageProcessor.post_process_object_detection]]

```python
post_process_object_detection(outputs, threshold: float = 0.5, target_sizes = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pp_doclayout_v4/image_processing_pp_doclayout_v4.py#L121)

**Tham số:**

outputs (`PPDocLayoutV4ForObjectDetectionOutput`) : Đầu ra thô của mô hình.

threshold (`float`, *tuỳ chọn*, mặc định là 0.5) : Ngưỡng điểm để giữ lại các dự đoán phát hiện đối tượng.

target_sizes (`torch.Tensor` hoặc `list[tuple[int, int]]`) : Tensor có shape `(batch_size, 2)` hoặc danh sách các tuple (`(height, width)`) chứa kích thước đích của từng ảnh trong batch.

**Trả về:** `list[Dict]`

Một danh sách các từ điển, mỗi từ điển tương ứng với một hình ảnh, mỗi từ điển chứa `scores`, `labels`, `boxes`, `polygon_points` và `order_seq` do mô hình dự đoán. Các dự đoán được sắp xếp theo thứ tự đọc, do đó `order_seq` không giảm (một truy vấn được chọn dưới nhiều nhãn sẽ giữ một thứ hạng duy nhất).

Chuyển đổi đầu ra thô của [PPDocLayoutV4ForObjectDetection](/docs/transformers/main/vi/model_doc/pp_doclayout_v4#transformers.PPDocLayoutV4ForObjectDetection) thành các tứ giác cuối cùng, các hộp bao quanh ở định dạng `(top_left_x, top_left_y, bottom_right_x, bottom_right_y)` và thứ tự đọc. Chỉ hỗ trợ PyTorch.

