このモデルページで「Deploy」→「Inference Endpoints」をクリック
設定:
- Region: us-east-1 または asia-northeast-1
- Instance Type:
  - CPU Basic (低コスト、レスポンス5-10秒)
  - GPU - Nvidia A10G (高速、レスポンス1-2秒)
「Create Endpoint」をクリック
エンドポイントがアクティブになったら、以下のコードで利用:

python

import requests
import base64

# 画像をBase64エンコード
with open("calendar.png", "rb") as f:
    image_b64 = base64.b64encode(f.read()).decode()

# Inference Endpointへリクエスト
url = "https://YOUR_ENDPOINT.endpoints.huggingface.cloud"
headers = {
    "Authorization": "Bearer YOUR_HF_TOKEN",
    "Content-Type": "application/json"
}
payload = {
    "inputs": image_b64,
    "prompt": "カレンダーで丸印がついている日付を全て抽出してください。数字のみをカンマ区切りで出力してください。"
}

response = requests.post(url, headers=headers, json=payload)
result = response.json()
print(result[0]["generated_text"])
# 出力例: "5, 12, 20"

オプション2: ローカル実行

python

from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel
from PIL import Image
import torch

# ベースモデル（DeepSeek-OCR 3B）をロード
base_model_name = "deepseek-ai/DeepSeek-OCR"
tokenizer = AutoTokenizer.from_pretrained(base_model_name, trust_remote_code=True)
base_model = AutoModelForCausalLM.from_pretrained(
    base_model_name,
    trust_remote_code=True,
    torch_dtype=torch.float16
).cuda()

# LoRAアダプターを適用
model = PeftModel.from_pretrained(
    base_model,
    "takumi123xxx/deepseek-ocr-calendar-finetuned",
    torch_dtype=torch.float16
)
model.eval()

# 画像を読み込み
image = Image.open("calendar.png").convert("RGB")

# プロンプトを準備
conversation = [
    {
        "role": "User",
        "content": "<image>\nカレンダーで丸印がついている日付を全て抽出してください。数字のみをカンマ区切りで出力してください。",
        "images": [image]
    },
    {"role": "Assistant", "content": ""}
]

# 推論実行
prepare_inputs = model.prepare_inputs_for_generation(conversation, tokenizer=tokenizer)
with torch.no_grad():
    outputs = model.generate(
        **prepare_inputs,
        max_new_tokens=512,
        temperature=0.1,
        do_sample=False
    )

# 結果をデコード
answer = tokenizer.decode(
    outputs[0][len(prepare_inputs["input_ids"][0]):],
    skip_special_tokens=True
)
print(answer.strip())

必要な依存関係

pip install transformers>=4.40.0 peft>=0.17.0 torch>=2.0.0 Pillow>=10.0.0

トレーニング詳細

データセット

サンプル数: 1,000件
画像サイズ: 700x500ピクセル（統一）
内容: 7列×5行のカレンダーグリッド（1-35の数字）
丸印数: 1-5個（ランダム）
データ拡張:
- 回転: ±5度
- ぼかし: ガウシアンブラー
- JPEG圧縮: 品質70-95%
- ガウシアンノイズ

ハイパーパラメータ

python

training_args = {
    "num_train_epochs": 20,  # 実際は9エポックで収束
    "per_device_train_batch_size": 1,
    "gradient_accumulation_steps": 4,
    "learning_rate": 1e-4,
    "warmup_steps": 100,
    "logging_steps": 10,
    "save_strategy": "epoch",
    "fp16": True,  # 混合精度学習
}

lora_config = {
    "r": 16,              # LoRAランク
    "lora_alpha": 32,     # LoRAアルファ
    "lora_dropout": 0.1,  # ドロップアウト
    "target_modules": ["q_proj", "v_proj"],  # ターゲットモジュール
}

トレーニング結果

エポック	Loss
1	2.4567
2	0.8234
3	0.2156
4	0.0567
5	0.0123
6	0.0034
7	0.0009
8	0.0002
9	0.0000

トレーニング時間: 約1時間（NVIDIA A10G 24GB GPU）
最終Loss: 0.0000（完全収束）

制限事項

カレンダー形式のグリッド画像に特化（他のOCRタスクには最適化されていない）
丸印の認識に依存（四角や下線などは対象外）
日本語および英語のプロンプトに対応

ライセンス

MIT License

引用

bibtex

@misc{deepseek-ocr-calendar-finetuned,
  title={DeepSeek-OCR Calendar Fine-tuned},
  author={Takumi Endo},
  year={2025},
  publisher={Hugging Face},
  howpublished={\url{https://huggingface.co/takumi123xxx/deepseek-ocr-calendar-finetuned}}
}

謝辞

このモデルは、DeepSeek-AIのDeepSeek-OCRをベースにしています。

連絡先

問題や質問がある場合は、Issuesでお知らせください。