# MiniCPM-OCR

MiniCPM-OCR는 [OpenBMB](https://github.com/OpenBMB)에서 개발한 [MiniCPM-V](https://huggingface.co/papers/2509.18154) 계열의 문서 이해 모델입니다. [MiniCPM-V 4.6](./minicpmv4_6) 아키텍처, 즉 [Qwen3.5](./qwen3_5) 언어 모델 앞에 윈도우 어텐션 머저를 갖춘 [SigLIP](./siglip) 비전 인코더를 유지하면서, 스캔된 페이지, 스크린샷, 영수증, 표와 같이 텍스트가 밀집된 이미지를 읽는 데 특화되어 있습니다.

이 모델은 [OpenBMB](https://huggingface.co/openbmb)에서 기여했습니다. 원본 코드는 [여기](https://github.com/openbmb/MiniCPM-OCR)에서 찾을 수 있습니다.

## 사용 예시

```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
# ...
# ```
```

발행된 체크포인트의 채팅 템플릿은 기본적으로 thinking을 비활성화합니다. 이를 명시적으로 활성화하려면 `apply_chat_template`에 `enable_thinking=True`를 전달하세요.

MiniCPM-OCR은 MiniCPM-V 계열의 두 가지 시각적 다운샘플링 모드를 모두 지원합니다:

- **4x** (기본값): 다운샘플링이 적고 시각 토큰이 많아 문서 및 스크린샷 전사 작업에 적합합니다.
- **16x**: 더 공격적인 다운샘플링, 더 적은 시각 토큰, 자연 이미지에서 더 빠른 추론.

mode는 비전 타워가 생성할 것으로 예상되는 시각적 플레이스홀더를 카운트하는 프로세서와 `model.generate`에 함께 전달되어야 합니다:

```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
```

호출마다 지정하는 `downsample_mode`는 해당 호출에만 적용되며 프로세서 자체는 변경되지 않으므로, 동일한 프로세서로 두 가지 모드를 동시에 사용할 수 있습니다. `apply_chat_template`를 통해 호출하는 대신 프로세서를 직접 호출하는 경우, 일반 키워드 인수로 전달하세요:

```python
inputs = processor(images=[image], text=[text], return_tensors="pt", downsample_mode="4x")
```

대신 특정 모드를 기본값으로 설정하려면 프로세서 로드 시점에 설정합니다:

```python
processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0", downsample_mode="4x")
```

잘라서 처리할 수 없을 정도로 작은 이미지는 기본적으로 `scale_resolution`으로 업스케일링됩니다. 이는 공개된 체크포인트가 학습될 때 사용된 설정입니다. 스크린샷이나 크롭 이미지는 글리프가 흐려지는 업스케일링보다 원본 해상도를 유지하는 것이 더 나은 경우가 많으므로, `small_image_upsize`로 두 옵션 중 하나를 선택할 수 있습니다:

- `"always"` (기본값): `scale_resolution`으로 업스케일링합니다.
- `"never"`: 패치 그리드에만 정렬된 채로 원본 해상도를 유지합니다.
- `"adaptive"`: 글리프의 크기와 밀도를 기준으로 이미지 및 슬라이스별로 결정합니다.

```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"`는 작은 고밀도 텍스트를 `scale_resolution`로 업스케일링하고, 6272픽셀 미만인 이미지는 84로, 나머지는 네이티브 해상도를 유지합니다. 슬라이스에서는 베이스라인 타일보다 더 많은 토큰을 사용하지 않습니다. 글리프 높이와 밀도는 Otsu 임계값을 적용한 후 연결 요소 분석으로 측정하므로, [OpenCV](https://pypi.org/project/opencv-python/)가 필요합니다. OpenCV가 없으면 다른 규칙으로 조용히 폴백하는 대신 예외를 발생시킵니다.

```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
```

`downsample_mode`와 마찬가지로, 호출별로 오버라이드할 수 있으며, 이를 통해 프로세서를 다시 로드하지 않고 224x224 영수증을 원래 해상도로 유지할 수 있습니다:

```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
# ...
```

두 페이지는 독립적으로 리사이즈되므로 프롬프트 길이가 서로 다릅니다. `apply_chat_template`가 프로세서로 `padding`을 전달하려면 `processor_kwargs`를 통해 요청해야 하며, 프로세서는 왼쪽으로 패딩하여 `generate`가 각 프롬프트의 끝에서 계속 생성되도록 합니다.

## 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)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/configuration_minicpm_ocr.py#L66)

**매개변수:**

text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *선택*) : 텍스트 백본의 config 객체 또는 사전입니다.

vision_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *선택*) : 비전 백본의 config 객체 또는 사전 정의된 config 딕셔너리입니다.

insert_layer_id (`int`, *선택 사항*, 기본값 6) : 윈도우 어텐션 머저가 적용되는 비전 인코더 레이어 인덱스입니다.

image_token_id (`int`, *선택 사항*) : 입력 이미지의 자리표시자로 사용되는 이미지 토큰 인덱스입니다.

video_token_id (`int`, *선택 사항*) : 입력 비디오의 플레이스홀더로 사용되는 비디오 토큰 인덱스입니다.

tie_word_embeddings (`bool`, *선택 사항*, 기본값 `True`) : 모델의 `tied_weights_keys` 매핑에 따라 가중치 임베딩을 묶을지 여부.

downsample_mode (`str`, *선택 사항*, 기본값 `"4x"`) : 시각 토큰 다운샘플링 비율. `"4x"`는 텍스트가 밀집된 문서 이미지가 읽히는 `"16x"`보다 4배 더 많은 토큰을 유지합니다.

merge_kernel_size (`tuple[int, int]`, *선택 사항*, 기본값 `(2, 2)`) : Merger에서 인접한 시각 패치를 병합할 때 사용할 커널 크기 `(h, w)`.

merger_times (`int`, *선택 사항*, 기본값 1) : Merger의 반복적 병합 라운드 수.

이것은 MiniCPMOcrModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Minicpm Ocr 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 [openbmb/MiniCPM-OCR-1.0](https://huggingface.co/openbmb/MiniCPM-OCR-1.0)의 구성과 유사한 구성이 생성됩니다.

Configuration 객체는 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요.

## 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))
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/configuration_minicpm_ocr.py#L31)

**매개변수:**

hidden_size (`int`, *선택 사항*, 기본값 `768`) : 숨겨진 표현의 차원.

intermediate_size (`int`, *선택 사항*, 기본값 `3072`) : MLP 표현의 차원.

num_hidden_layers (`int`, *선택 사항*, 기본값 `12`) : Transformer decoder의 숨겨진 레이어 수입니다.

num_attention_heads (`int`, *선택 사항*, 기본값 `12`) : Transformer decoder의 각 attention layer에 사용되는 attention head의 수입니다.

num_channels (`int`, *선택 사항*, 기본값 `3`) : 입력 채널의 수입니다.

image_size (`Union[int, list[int], tuple[int, int]]`, *선택*, 기본값 `224`) : 각 이미지의 크기(해상도).

patch_size (`Union[int, list[int], tuple[int, int]]`, *선택*, 기본값 `16`) : 각 패치의 크기(해상도).

hidden_act (`str`, *선택 사항*, 기본값 `gelu_pytorch_tanh`) : 디코더의 비선형 활성화 함수(함수 또는 문자열). 예를 들어, `"gelu"`, `"relu"`, `"silu"` 등.

layer_norm_eps (`float`, *선택 사항*, 기본값 `1e-06`) : 레이어 정규화 레이어에서 사용되는 epsilon 값입니다.

attention_dropout (`Union[float, int]`, *선택 사항*, 기본값 `0.0`) : attention 확률에 적용할 dropout 비율입니다.

insert_layer_id (`int`, *선택 사항*, 기본값 6) : 윈도우 어텐션 머저가 적용되는 비전 인코더 레이어 인덱스입니다.

window_kernel_size (`tuple[int, int]`, *선택 사항*, 기본값 `(2, 2)`) : 중간 window-attention merger에 사용할 윈도우 크기 `(h, w)`.

이것은 MiniCPMOcrModel의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Minicpm Ocr 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 [openbmb/MiniCPM-OCR-1.0](https://huggingface.co/openbmb/MiniCPM-OCR-1.0)의 구성과 유사한 구성이 생성됩니다.

Configuration 객체는 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요.

## MiniCPMOcrVisionPreTrainedModel[[transformers.MiniCPMOcrVisionPreTrainedModel]]

#### transformers.MiniCPMOcrVisionPreTrainedModel[[transformers.MiniCPMOcrVisionPreTrainedModel]]

```python
transformers.MiniCPMOcrVisionPreTrainedModel(config: PreTrainedConfig, *inputs, **kwargs)
```

[소스](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)
```

점으로 구분된 경로(예: `torch.float32`)에 대한 mock 값입니다: 속성 접근 체인, 호출은 pass-through 데코레이터처럼 동작하며, `repr`은 해당 점으로 구분된 경로입니다. 또한 이를 베이스 클래스로 사용하면 plain-`type` 베이스로 대체됩니다(PEP 560 `__mro_entries__`). 따라서 실제 서브클래스는 정상적인 메타클래스를 유지하고, `inspect.signature`는 mock의 `__init__`가 아닌 실제 `__init__`를 읽습니다.

## MiniCPMOcrVisionModel[[transformers.MiniCPMOcrVisionModel]]

#### transformers.MiniCPMOcrVisionModel[[transformers.MiniCPMOcrVisionModel]]

```python
transformers.MiniCPMOcrVisionModel(config: MiniCPMOcrVisionConfig)
```

[소스](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: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L442)

**매개변수:**

pixel_values (`` of shape `(batch_size, num_channels, image_size, image_size)`) : 입력 이미지에 해당하는 텐서입니다. 픽셀 값은 [MiniCPMOcrImageProcessor](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor)를 사용하여 얻을 수 있습니다. 자세한 내용은 [MiniCPMOcrImageProcessor.__call__()](/docs/transformers/main/ko/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__)를 참조하세요 ([MiniCPMOcrProcessor](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrProcessor)는 이미지 처리에 [MiniCPMOcrImageProcessor](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor)를 사용합니다).

target_sizes (`torch.IntTensor`, shape `(batch_size, 2)`, *선택 사항*) : 위치 임베딩을 계산하기 위한 패치 그리드 크기 `(h, w)`.

use_vit_merger (`bool`, *선택 사항*, 기본값 `True`) : 인코더 이후에 ViT 윈도우 어텐션 머저를 적용할지 여부.

**반환값:** [BaseModelOutputWithPooling](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `tuple(torch.Tensor)`

구성([MiniCPMOcrConfig](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig))과 입력에 따라 다양한 요소를 포함하는 [BaseModelOutputWithPooling](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우).

[MiniCPMOcrVisionModel](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrVisionModel)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **last_hidden_state** (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`) -- 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.
- **pooler_output** (`torch.Tensor`, shape `(batch_size, hidden_size)`) -- 시퀀스의 첫 번째 토큰(분류 토큰)의 마지막 레이어 hidden-state입니다. 보조 사전학습 작업을 위해 사용되는 레이어들을 통해 추가 처리된 값입니다. 예를 들어 BERT 계열 모델의 경우, 선형 레이어와 tanh 활성화 함수를 통해 처리된 분류 토큰을 반환합니다. 선형 레이어의 가중치는 사전학습 단계에서 다음 문장 예측(분류) 목적 함수를 통해 학습됩니다.
- **hidden_states** (`tuple(torch.Tensor)`, *선택 사항*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개)로, 형태는 `(batch_size, sequence_length, hidden_size)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
- **attentions** (`tuple(torch.Tensor)`, *선택 사항*, `output_attentions=True`가 전달되었거나 `config.output_attentions=True`인 경우 반환됨) -- 각 레이어마다 하나씩 포함된 `torch.Tensor`의 튜플로, 모양은 `(batch_size, num_heads, sequence_length, sequence_length)`입니다.

  self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치입니다.

## MiniCPMOcrModel[[transformers.MiniCPMOcrModel]]

#### transformers.MiniCPMOcrModel[[transformers.MiniCPMOcrModel]]

```python
transformers.MiniCPMOcrModel(config: MiniCPMOcrConfig)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L593)

**매개변수:**

config ([MiniCPMOcrConfig](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하면 모델과 관련된 가중치가 로드되지 않고 구성만 로드됩니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/main/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

MiniCPMOcr 모델은 비전 백본과 언어 모델로 구성되며, 언어 모델링 헤드는 포함되지 않습니다.

이 모델은 [PreTrainedModel](/docs/transformers/main/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### 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: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L662)

**매개변수:**

input_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 어휘(input sequence tokens)의 인덱스입니다. 기본적으로 패딩은 무시됩니다. [AutoTokenizer](/docs/transformers/main/ko/model_doc/auto#transformers.AutoTokenizer)를 사용하여 인덱스를 얻을 수 있습니다. 자세한 내용은 [PreTrainedTokenizer.encode()](/docs/transformers/main/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 및 [PreTrainedTokenizer.__call__()](/docs/transformers/main/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)를 참조하세요. [입력 ID란 무엇인가요?](../glossary#input-ids)

pixel_values (`torch.Tensor`, *선택 사항*) : 이미지용 픽셀 값 패치, NaViT 패킹 방식.

target_sizes (`torch.IntTensor`, *선택 사항*) : 각 이미지의 높이와 너비(패치 단위).

pixel_values_videos (`torch.Tensor`, *선택 사항*) : 비디오 프레임의 픽셀 값 패치, NaViT-packed.

target_sizes_videos (`torch.IntTensor`, *선택 사항*) : 각 비디오 프레임의 높이와 너비(패치 단위).

attention_mask (`torch.Tensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 패딩 토큰 인덱스에 대한 attention을 수행하지 않도록 방지하는 마스크입니다. `[0, 1]`에서 선택된 마스크 값: - **마스크되지 않은** 토큰은 1, - **마스크된** 토큰은 0. [attention 마스크란?](../glossary#attention-mask)

position_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 각 입력 시퀀스의 토큰 위치 인덱스입니다. `[0, config.n_positions - 1]` 범위에서 선택됩니다. [위치 ID란 무엇인가요?](../glossary#position-ids)

past_key_values (`list[torch.Tensor]`, *선택 사항*) : 순차적 디코딩을 가속화할 수 있는 사전 계산된 hidden-states(self-attention 블록과 cross-attention 블록의 key 및 value)입니다. 이는 일반적으로 `use_cache=True` 또는 `config.use_cache=True`일 때 모델이 이전 디코딩 단계에서 반환한 `past_key_values`로 구성됩니다. 입력으로 [Cache](/docs/transformers/main/ko/internal/generation_utils#transformers.Cache) 인스턴스만 허용되며, [kv cache 가이드](https://huggingface.co/docs/transformers/en/kv_cache)를 참조하세요. `past_key_values`가 전달되지 않으면 기본적으로 [DynamicCache](/docs/transformers/main/ko/internal/generation_utils#transformers.DynamicCache)가 초기화됩니다. 모델은 입력으로 제공된 것과 동일한 캐시 형식을 출력합니다. `past_key_values`를 사용하는 경우, 이 모델에 과거 key value 상태가 제공되지 않은 `input_ids`(처리되지 않은 항목)만 `(batch_size, unprocessed_length)` 형식으로 입력해야 하며, `(batch_size, sequence_length)` 형식의 모든 `input_ids`를 입력하지 않습니다.

inputs_embeds (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`, *선택 사항*) : `input_ids`를 전달하는 대신 임베디드 표현을 직접 전달할 수 있습니다. 이는 모델의 내부 임베딩 조회 행렬보다 `input_ids` 인덱스를 관련 벡터로 변환하는 방식에 대해 더 많은 제어가 필요한 경우 유용합니다.

use_cache (`bool`, *선택 사항*) : `True`로 설정하면 `past_key_values` 키 값 상태가 반환되며, 디코딩 속도를 높이는 데 사용할 수 있습니다(`past_key_values` 참조).

downsample_mode (`str`, *선택 사항*) : `"4x"`는 시각 토큰을 4배 더 유지합니다. 기본값 `"16x"`는 전체 병합을 적용합니다.

mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *선택 사항*) : 키가 지원되는 모달리티이고 값이 해당 모달리티의 인코딩된 출력인 Dict입니다. 각 인코딩된 출력은 (`pooler_output`, *선택 사항*: `last_hidden_states`, *선택 사항*: `hidden_states`, *선택 사항*: `attentions`)의 튜플로 구성되며, `pooler_output`의 shape은 `(batch_size, sequence_length, hidden_size)`, *선택 사항*)입니다. 이는 인코더의 멀티모달 특징을 텍스트 임베딩으로 병합한 시퀀스입니다.

**반환값:** [BaseModelOutputWithPast](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) 또는 `tuple(torch.Tensor)`

구성([MiniCPMOcrConfig](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig))과 입력에 따라 다양한 요소를 포함하는 [BaseModelOutputWithPast](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우).

[MiniCPMOcrModel](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrModel)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **last_hidden_state** (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`) -- 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.

  `past_key_values`가 사용되면, `(batch_size, 1, hidden_size)` 형태의 시퀀스의 마지막 hidden-state만 출력됩니다.
- **past_key_values** (`Cache`, *선택 사항*, `use_cache=True`가 전달되었거나 `config.use_cache=True`인 경우 반환됨) -- [Cache](/docs/transformers/main/ko/internal/generation_utils#transformers.Cache) 인스턴스입니다. 자세한 내용은 [kv cache 가이드](https://huggingface.co/docs/transformers/en/kv_cache)를 참조하세요.

  순차적 디코딩을 가속화하는 데 사용할 수 있는 사전 계산된 hidden-states(셀프 어텐션 블록의 key와 value, 그리고 `config.is_encoder_decoder=True`인 경우 크로스 어텐션 블록의 key와 value)를 포함합니다(입력 `past_key_values` 참조).
- **hidden_states** (`tuple(torch.Tensor)`, *선택 사항*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개)로, 형태는 `(batch_size, sequence_length, hidden_size)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
- **attentions** (`tuple(torch.Tensor)`, *선택 사항*, `output_attentions=True`가 전달되었거나 `config.output_attentions=True`인 경우 반환됨) -- 각 레이어마다 하나씩 포함된 `torch.Tensor`의 튜플로, 모양은 `(batch_size, num_heads, sequence_length, sequence_length)`입니다.

  self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치입니다.

#### get_image_features[[transformers.MiniCPMOcrModel.get_image_features]]

```python
get_image_features(pixel_values: Tensor, target_sizes: IntTensor, downsample_mode: str | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L602)

**매개변수:**

pixel_values (`torch.Tensor`, shape `(batch_size, num_channels, image_size, image_size)`) : 입력 이미지에 해당하는 텐서입니다. 픽셀 값은 [MiniCPMOcrImageProcessor](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor)를 사용하여 얻을 수 있습니다. 자세한 내용은 [MiniCPMOcrImageProcessor.__call__()](/docs/transformers/main/ko/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__)를 참조하세요 ([MiniCPMOcrProcessor](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrProcessor)는 이미지 처리에 [MiniCPMOcrImageProcessor](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor)를 사용합니다).

target_sizes (`torch.IntTensor`, shape `(num_images, 2)`) : 각 이미지의 높이와 너비 (패치 단위).

downsample_mode (`str`, *선택 사항*) : `"4x"`로 설정하면 중간 `vit_merger`가 건너뛰어져 각 이미지가 `4×` 더 많은 시각 토큰을 유지합니다. 기본 `"16x"` 모드에서는 전체 병합 파이프라인이 적용됩니다.

**반환값:** [BaseModelOutputWithPooling](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `tuple(torch.Tensor)`

구성([MiniCPMOcrConfig](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig))과 입력에 따라 다양한 요소를 포함하는 [BaseModelOutputWithPooling](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우).

이미지 특징 추출: vision encoder, insert merger, 그리고 MLP merger.

- **last_hidden_state** (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`) -- 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.
- **pooler_output** (`torch.Tensor`, shape `(batch_size, hidden_size)`) -- 시퀀스의 첫 번째 토큰(분류 토큰)의 마지막 레이어 hidden-state입니다. 보조 사전학습 작업을 위해 사용되는 레이어들을 통해 추가 처리된 값입니다. 예를 들어 BERT 계열 모델의 경우, 선형 레이어와 tanh 활성화 함수를 통해 처리된 분류 토큰을 반환합니다. 선형 레이어의 가중치는 사전학습 단계에서 다음 문장 예측(분류) 목적 함수를 통해 학습됩니다.
- **hidden_states** (`tuple(torch.Tensor)`, *선택 사항*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개)로, 형태는 `(batch_size, sequence_length, hidden_size)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
- **attentions** (`tuple(torch.Tensor)`, *선택 사항*, `output_attentions=True`가 전달되었거나 `config.output_attentions=True`인 경우 반환됨) -- 각 레이어마다 하나씩 포함된 `torch.Tensor`의 튜플로, 모양은 `(batch_size, num_heads, sequence_length, sequence_length)`입니다.

  self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치입니다.

#### 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: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L743)

**매개변수:**

pixel_values_videos (`torch.Tensor`, shape `(1, channels, patch_size, seq_len)`) : 모든 비디오 프레임에 대한 NaViT-packed 픽셀 패치입니다. 비디오 프로세서가 모든 프레임의 패치를 마지막 차원 방향으로 연결하여 dim-0 = 1인 단일 시퀀스로 구성하며, 이는 이미지 패킹 형식과 동일합니다.

target_sizes_videos (`torch.IntTensor`, shape `(num_patches, 2)`) : 각 시각적 단위의 높이와 너비(패치 단위).

downsample_mode (`str`, *선택 사항*) : `"4x"`로 설정하면 중간 `vit_merger`가 건너뛰어져 각 프레임이 `4×` 더 많은 시각 토큰을 유지합니다. 기본 `"16x"` 모드에서는 전체 병합 파이프라인이 적용됩니다.

**반환값:** [BaseModelOutputWithPooling](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `tuple(torch.Tensor)`

구성([MiniCPMOcrConfig](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig))과 입력에 따라 다양한 요소를 포함하는 [BaseModelOutputWithPooling](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우).

비디오 특징 추출: 프레임을 NaViT 형식으로 다시 패키징한 다음, 비전 인코더와 머저를 적용합니다.

- **last_hidden_state** (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`) -- 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.
- **pooler_output** (`torch.Tensor`, shape `(batch_size, hidden_size)`) -- 시퀀스의 첫 번째 토큰(분류 토큰)의 마지막 레이어 hidden-state입니다. 보조 사전학습 작업을 위해 사용되는 레이어들을 통해 추가 처리된 값입니다. 예를 들어 BERT 계열 모델의 경우, 선형 레이어와 tanh 활성화 함수를 통해 처리된 분류 토큰을 반환합니다. 선형 레이어의 가중치는 사전학습 단계에서 다음 문장 예측(분류) 목적 함수를 통해 학습됩니다.
- **hidden_states** (`tuple(torch.Tensor)`, *선택 사항*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개)로, 형태는 `(batch_size, sequence_length, hidden_size)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
- **attentions** (`tuple(torch.Tensor)`, *선택 사항*, `output_attentions=True`가 전달되었거나 `config.output_attentions=True`인 경우 반환됨) -- 각 레이어마다 하나씩 포함된 `torch.Tensor`의 튜플로, 모양은 `(batch_size, num_heads, sequence_length, sequence_length)`입니다.

  self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치입니다.

## MiniCPMOcrForConditionalGeneration[[transformers.MiniCPMOcrForConditionalGeneration]]

#### transformers.MiniCPMOcrForConditionalGeneration[[transformers.MiniCPMOcrForConditionalGeneration]]

```python
transformers.MiniCPMOcrForConditionalGeneration(config: MiniCPMOcrConfig)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L779)

**매개변수:**

config ([MiniCPMOcrConfig](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하면 모델과 관련된 가중치가 로드되지 않고 구성만 로드됩니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/main/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

다른 모달리티(예: 이미지-텍스트-투-텍스트 생성)에 조건부화된 토큰 생성을 위한 Minicpm Ocr Model.

이 모델은 [PreTrainedModel](/docs/transformers/main/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### 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: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L790)

**매개변수:**

input_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 어휘(input sequence tokens)의 인덱스입니다. 기본적으로 패딩은 무시됩니다. [AutoTokenizer](/docs/transformers/main/ko/model_doc/auto#transformers.AutoTokenizer)를 사용하여 인덱스를 얻을 수 있습니다. 자세한 내용은 [PreTrainedTokenizer.encode()](/docs/transformers/main/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) 및 [PreTrainedTokenizer.__call__()](/docs/transformers/main/ko/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)를 참조하세요. [입력 ID란 무엇인가요?](../glossary#input-ids)

pixel_values (`torch.Tensor`, *선택 사항*) : 이미지용 픽셀 값 패치, NaViT 패킹 방식.

target_sizes (`torch.IntTensor`, *선택 사항*) : 각 이미지의 높이와 너비(패치 단위).

pixel_values_videos (`torch.Tensor`, *선택 사항*) : 비디오 프레임의 픽셀 값 패치, NaViT-packed.

target_sizes_videos (`torch.IntTensor`, *선택 사항*) : 각 비디오 프레임의 높이와 너비(패치 단위).

attention_mask (`torch.Tensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 패딩 토큰 인덱스에 대한 attention을 수행하지 않도록 방지하는 마스크입니다. `[0, 1]`에서 선택된 마스크 값: - **마스크되지 않은** 토큰은 1, - **마스크된** 토큰은 0. [attention 마스크란?](../glossary#attention-mask)

position_ids (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : 각 입력 시퀀스의 토큰 위치 인덱스입니다. `[0, config.n_positions - 1]` 범위에서 선택됩니다. [위치 ID란 무엇인가요?](../glossary#position-ids)

past_key_values (`list[torch.Tensor]`, *선택 사항*) : 순차적 디코딩을 가속화할 수 있는 사전 계산된 hidden-states(self-attention 블록과 cross-attention 블록의 key 및 value)입니다. 이는 일반적으로 `use_cache=True` 또는 `config.use_cache=True`일 때 모델이 이전 디코딩 단계에서 반환한 `past_key_values`로 구성됩니다. 입력으로 [Cache](/docs/transformers/main/ko/internal/generation_utils#transformers.Cache) 인스턴스만 허용되며, [kv cache 가이드](https://huggingface.co/docs/transformers/en/kv_cache)를 참조하세요. `past_key_values`가 전달되지 않으면 기본적으로 [DynamicCache](/docs/transformers/main/ko/internal/generation_utils#transformers.DynamicCache)가 초기화됩니다. 모델은 입력으로 제공된 것과 동일한 캐시 형식을 출력합니다. `past_key_values`를 사용하는 경우, 이 모델에 과거 key value 상태가 제공되지 않은 `input_ids`(처리되지 않은 항목)만 `(batch_size, unprocessed_length)` 형식으로 입력해야 하며, `(batch_size, sequence_length)` 형식의 모든 `input_ids`를 입력하지 않습니다.

inputs_embeds (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`, *선택 사항*) : `input_ids`를 전달하는 대신 임베디드 표현을 직접 전달할 수 있습니다. 이는 모델의 내부 임베딩 조회 행렬보다 `input_ids` 인덱스를 관련 벡터로 변환하는 방식에 대해 더 많은 제어가 필요한 경우 유용합니다.

labels (`torch.LongTensor`, shape `(batch_size, sequence_length)`, *선택 사항*) : masked language modeling loss를 계산하기 위한 라벨. 인덱스는 `[0, ..., config.vocab_size]` 범위 내이거나 -100이어야 합니다(`input_ids` docstring 참조). 인덱스가 `-100`으로 설정된 토큰은 무시(마스크)되며, loss는 `[0, ..., config.vocab_size]` 범위의 라벨을 가진 토큰에 대해서만 계산됩니다.

use_cache (`bool`, *선택 사항*) : `True`로 설정하면 `past_key_values` 키 값 상태가 반환되며, 디코딩 속도를 높이는 데 사용할 수 있습니다(`past_key_values` 참조).

downsample_mode (`str`, *선택 사항*) : `"4x"`는 시각 토큰을 4배 더 유지합니다. 기본값 `"16x"`는 전체 병합을 적용합니다.

mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *선택 사항*) : 키가 지원되는 모달리티이고 값이 해당 모달리티의 인코딩된 출력인 Dict입니다. 각 인코딩된 출력은 (`pooler_output`, *선택 사항*: `last_hidden_states`, *선택 사항*: `hidden_states`, *선택 사항*: `attentions`)의 튜플로 구성되며, `pooler_output`의 shape은 `(batch_size, sequence_length, hidden_size)`, *선택 사항*)입니다. 이는 인코더의 멀티모달 특징을 텍스트 임베딩으로 병합한 시퀀스입니다.

**반환값:** [CausalLMOutputWithPast](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) 또는 `tuple(torch.Tensor)`

[CausalLMOutputWithPast](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되었거나 `config.return_dict=False`인 경우)로, 구성([MiniCPMOcrConfig](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig))과 입력에 따라 다양한 요소를 포함합니다.

[MiniCPMOcrForConditionalGeneration](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrForConditionalGeneration)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **loss** (`torch.Tensor`, shape `(1,)`, *선택 사항*, `labels`가 제공될 때 반환됨) -- 언어 모델링 손실(다음 토큰 예측용).
- **logits** (`torch.Tensor`, shape `(batch_size, sequence_length, config.vocab_size)`) -- 언어 모델링 헤드에서 생성된 예측 점수(SoftMax 적용 전 각 어휘 토큰에 대한 점수).
- **past_key_values** (`Cache`, *선택 사항*, `use_cache=True`가 전달되었거나 `config.use_cache=True`인 경우 반환됨) -- [Cache](/docs/transformers/main/ko/internal/generation_utils#transformers.Cache) 인스턴스입니다. 자세한 내용은 [kv cache 가이드](https://huggingface.co/docs/transformers/en/kv_cache)를 참조하세요.

  순차적 디코딩을 가속화하는 데 사용할 수 있는 사전 계산된 hidden-states(셀프 어텐션 블록의 key와 value)를 포함합니다(입력 `past_key_values` 참조).
- **hidden_states** (`tuple(torch.Tensor)`, *선택 사항*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개)로, 형태는 `(batch_size, sequence_length, hidden_size)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
- **attentions** (`tuple(torch.Tensor)`, *선택 사항*, `output_attentions=True`가 전달되었거나 `config.output_attentions=True`인 경우 반환됨) -- 각 레이어마다 하나씩 포함된 `torch.Tensor`의 튜플로, 모양은 `(batch_size, num_heads, sequence_length, sequence_length)`입니다.

  self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치입니다.

예:

```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)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L854)

**반환값:** [BaseModelOutputWithPooling](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `tuple(torch.Tensor)`

구성([MiniCPMOcrConfig](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig))과 입력에 따라 다양한 요소를 포함하는 [BaseModelOutputWithPooling](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우).

이미지 특징 추출: vision encoder, insert merger, 그리고 MLP merger.

- **last_hidden_state** (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`) -- 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.
- **pooler_output** (`torch.Tensor`, shape `(batch_size, hidden_size)`) -- 시퀀스의 첫 번째 토큰(분류 토큰)의 마지막 레이어 hidden-state입니다. 보조 사전학습 작업을 위해 사용되는 레이어들을 통해 추가 처리된 값입니다. 예를 들어 BERT 계열 모델의 경우, 선형 레이어와 tanh 활성화 함수를 통해 처리된 분류 토큰을 반환합니다. 선형 레이어의 가중치는 사전학습 단계에서 다음 문장 예측(분류) 목적 함수를 통해 학습됩니다.
- **hidden_states** (`tuple(torch.Tensor)`, *선택 사항*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개)로, 형태는 `(batch_size, sequence_length, hidden_size)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
- **attentions** (`tuple(torch.Tensor)`, *선택 사항*, `output_attentions=True`가 전달되었거나 `config.output_attentions=True`인 경우 반환됨) -- 각 레이어마다 하나씩 포함된 `torch.Tensor`의 튜플로, 모양은 `(batch_size, num_heads, sequence_length, sequence_length)`입니다.

  self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치입니다.

예:

```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)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L858)

**반환값:** [BaseModelOutputWithPooling](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `tuple(torch.Tensor)`

구성([MiniCPMOcrConfig](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig))과 입력에 따라 다양한 요소를 포함하는 [BaseModelOutputWithPooling](/docs/transformers/main/ko/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우).

비디오 특징 추출: 프레임을 NaViT 형식으로 다시 패키징한 다음, 비전 인코더와 머저를 적용합니다.

- **last_hidden_state** (`torch.Tensor`, shape `(batch_size, sequence_length, hidden_size)`) -- 모델의 마지막 레이어 출력에서 생성된 hidden-state 시퀀스입니다.
- **pooler_output** (`torch.Tensor`, shape `(batch_size, hidden_size)`) -- 시퀀스의 첫 번째 토큰(분류 토큰)의 마지막 레이어 hidden-state입니다. 보조 사전학습 작업을 위해 사용되는 레이어들을 통해 추가 처리된 값입니다. 예를 들어 BERT 계열 모델의 경우, 선형 레이어와 tanh 활성화 함수를 통해 처리된 분류 토큰을 반환합니다. 선형 레이어의 가중치는 사전학습 단계에서 다음 문장 예측(분류) 목적 함수를 통해 학습됩니다.
- **hidden_states** (`tuple(torch.Tensor)`, *선택 사항*, `output_hidden_states=True`가 전달되었거나 `config.output_hidden_states=True`인 경우 반환됨) -- `torch.Tensor`의 튜플(모델에 임베딩 레이어가 있는 경우 임베딩 출력 1개 + 각 레이어의 출력 1개)로, 형태는 `(batch_size, sequence_length, hidden_size)`입니다.

  각 레이어의 출력에서 모델의 Hidden-states와 선택적 초기 임베딩 출력을 포함합니다.
- **attentions** (`tuple(torch.Tensor)`, *선택 사항*, `output_attentions=True`가 전달되었거나 `config.output_attentions=True`인 경우 반환됨) -- 각 레이어마다 하나씩 포함된 `torch.Tensor`의 튜플로, 모양은 `(batch_size, num_heads, sequence_length, sequence_length)`입니다.

  self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치입니다.

예:

```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)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/processing_minicpm_ocr.py#L47)

**매개변수:**

image_processor (`MiniCPMOcrImageProcessor`) : 이미지 프로세서가 필수 입력입니다.

video_processor (`MiniCPMOcrVideoProcessor`) : 비디오 프로세서가 필수 입력입니다.

tokenizer (`TokenizersBackend`) : 토크나이저는 필수 입력입니다.

chat_template (`str`) : 채팅의 메시지 목록을 토큰화 가능한 문자열로 변환하는 Jinja 템플릿입니다.

이미지 프로세서, 비디오 프로세서, 토크나이저를 단일 프로세서로 묶는 MiniCPMOcrProcessor를 생성합니다.

[MiniCPMOcrProcessor](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrProcessor)는 [MiniCPMOcrImageProcessor](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor), [MiniCPMOcrVideoProcessor](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrVideoProcessor), [TokenizersBackend](/docs/transformers/main/ko/main_classes/tokenizer#transformers.TokenizersBackend)의 모든 기능을 제공합니다. 자세한 내용은 [~MiniCPMOcrImageProcessor](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor), [~MiniCPMOcrVideoProcessor](/docs/transformers/main/ko/model_doc/minicpm_ocr#transformers.MiniCPMOcrVideoProcessor), [~TokenizersBackend](/docs/transformers/main/ko/main_classes/tokenizer#transformers.TokenizersBackend)를 참고하세요.

#### __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: *<class 'transformers.processing_utils.ProcessingKwargs'>)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/processing_minicpm_ocr.py#L70)

**매개변수:**

images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`, *선택*) : 전처리할 이미지. 픽셀 값이 0에서 255 범위로 이루어진 단일 이미지 또는 배치 이미지를 기대합니다. 픽셀 값이 0에서 1 범위로 이루어진 이미지를 전달하는 경우 `do_rescale=False`로 설정하세요.

text (`Union[str, list[str], list[list[str]]]`, *선택*) : 인코딩할 시퀀스 또는 시퀀스 배치입니다. 각 시퀀스는 문자열 또는 문자열 목록(사전 토큰화된 문자열)일 수 있습니다. 사전 토큰화된 입력을 전달하는 경우, 배치 입력과의 혼동을 피하기 위해 `is_split_into_words=True`를 설정하세요.

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]]]`, *선택*) : 전처리할 비디오입니다. 픽셀 값이 0에서 255 범위를 가지는 단일 비디오 또는 비디오 배치(batch)를 기대합니다. 픽셀 값이 0에서 1 범위를 가지는 비디오를 전달하는 경우 `do_rescale=False`로 설정하세요.

return_tensors (`str` 또는 [TensorType](/docs/transformers/main/ko/internal/file_utils#transformers.TensorType), *optional*) : 설정된 경우, 특정 프레임워크의 텐서를 반환합니다. 허용되는 값은 다음과 같습니다:  - `'pt'`: PyTorch `torch.Tensor` 객체를 반환합니다. - `'np'`: NumPy `np.ndarray` 객체를 반환합니다.

- ****kwargs** ([ProcessingKwargs](/docs/transformers/main/ko/main_classes/processors#transformers.ProcessingKwargs), *optional*) : 각 모달리티(텍스트, 이미지, 비디오, 오디오)에 대한 추가 처리 옵션입니다. 모델별 매개변수는 위에 나열되어 있으며, 지원되는 인수의 전체 목록은 TypedDict 클래스를 참조하세요.

## MiniCPMOcrImageProcessor[[transformers.MiniCPMOcrImageProcessor]]

#### transformers.MiniCPMOcrImageProcessor[[transformers.MiniCPMOcrImageProcessor]]

```python
transformers.MiniCPMOcrImageProcessor(**kwargs: *<class 'transformers.models.minicpm_ocr.image_processing_minicpm_ocr.MiniCPMOcrImageProcessorKwargs'>)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/image_processing_minicpm_ocr.py#L139)

**매개변수:**

do_convert_rgb (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 이미지를 RGB로 변환할지 여부.

do_resize (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 이미지를 리사이즈할지 여부.

size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : 모델의 최대 입력 차원을 설명합니다.

default_to_square (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : size가 int인 경우 리사이즈 시 정사각형 이미지로 설정할지 여부.

crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : *center_crop*를 적용한 후의 출력 이미지 크기.

resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*, 기본값 *3*) : 이미지를 리사이즈할 때 사용할 리샘플링 필터입니다. 이는 *PILImageResampling* enum 중 하나일 수 있습니다. *do_resize*가 *True*로 설정된 경우에만 효과가 있습니다.

do_rescale (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 이미지를 다시 스케일링할지 여부.

rescale_factor (*float*, *kwargs*, *optional*, 기본값 *0.00392156862745098*) : *do_rescale*이 *True*로 설정된 경우 이미지를 재조정하기 위한 재조정 계수입니다.

do_normalize (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 이미지를 정규화할지 여부.

image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *선택 사항*, 기본값은 *[0.5, 0.5, 0.5]*) : 정규화에 사용할 이미지 평균입니다. *do_normalize*가 *True*로 설정된 경우에만 효과가 있습니다.

image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *선택 사항*, 기본값은 *[0.5, 0.5, 0.5]*) : 정규화에 사용할 이미지 표준 편차입니다. *do_normalize*가 *True*로 설정된 경우에만 효과가 있습니다.

do_pad (*bool*, *kwargs*, *optional*) : 이미지를 패딩할지 여부입니다. 패딩은 배치 내 가장 큰 크기로 수행하거나 이미지마다 고정된 정사각형 크기로 수행합니다. 정확한 패딩 전략은 모델에 따라 달라집니다.

pad_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : 이미지를 패딩할 *&amp;lcub;"height": int, "width" int}* 크기입니다. 전처리용으로 제공된 모든 이미지 크기보다 커야 합니다. *pad_size*가 제공되지 않으면, 이미지는 배치 내 가장 큰 높이와 너비로 패딩됩니다. *do_pad=True*일 때만 적용됩니다.

do_center_crop (*bool*, *kwargs*, *선택*) : 이미지를 중앙 크롭할지 여부.

data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *선택 사항*) : *ChannelDimension.FIRST*만 지원됩니다. 느린 프로세서와의 호환성을 위해 추가되었습니다.

input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *선택 사항*) : 입력 이미지의 채널 차원 형식입니다. 설정되지 않은 경우, 입력 이미지에서 채널 차원 형식을 추론합니다. 다음 중 하나일 수 있습니다: - *"channels_first"* 또는 *ChannelDimension.FIRST*: (num_channels, height, width) 형식의 이미지. - *"channels_last"* 또는 *ChannelDimension.LAST*: (height, width, num_channels) 형식의 이미지. - *"none"* 또는 *ChannelDimension.NONE*: (height, width) 형식의 이미지.

device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : 비디오를 처리할 장치입니다. 설정되지 않은 경우, 입력 비디오에서 장치를 추론합니다.

return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : *'pt'*로 설정된 경우 스택된 텐서를 반환하고, 그렇지 않으면 텐서 목록을 반환합니다.

disable_grouping (*bool*, *kwargs*, *optional*) : 이미지 그룹핑을 비활성화하여 이미지를 배치 대신 개별적으로 처리할지 여부입니다. None인 경우, 이미지가 CPU에 있으면 True, 그렇지 않으면 False로 설정됩니다. 이 선택은 여기에서 자세히 설명된 경험적 관찰에 기반합니다: https://github.com/huggingface/transformers/pull/38157

image_seq_length (*int*, *kwargs*, *optional*) : 입력의 각 이미지에 사용할 이미지 토큰의 수입니다. 하위 호환성을 위해 추가되었지만, 향후 모델에서는 프로세서 속성으로 설정해야 합니다.

max_slice_nums (*int*, *kwargs*, *optional*, 기본값 9) : 고해상도 이미지를 분할할 때의 최대 슬라이스 수.

scale_resolution (*int*, *kwargs*, *optional*, 기본값 448) : 개별 슬라이스의 목표 해상도.

patch_size (*int*, *kwargs*, *optional*, 기본값 14) : 비전 인코더의 공간 패치 크기입니다.

slice_mode (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 더 높은 해상도를 위해 이미지를 여러 슬라이스로 분할할지 여부.

downsample_mode (*str*, *kwargs*, *선택 사항*, 기본값은 *"4x"*) : 시각 토큰 다운샘플링 모드입니다. *"4x"*는 전체 병합을 적용하는 *"16x"*보다 4배 더 많은 토큰을 유지합니다. 호출별로 이를 오버라이드하는 것이 지원됩니다.

use_image_id (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 각 이미지 플레이스홀더 앞에 이미지-id 태그(`<image_id>N</image_id>`)를 붙일지 여부입니다. 이미지 처리 파이프라인 자체에서가 아니라 플레이스홀더 생성을 위해 Processor에서 사용됩니다.

small_image_upsize (*str*, *kwargs*, *선택 사항*, 기본값은 *"always"*) : *scale_resolution*의 제곱 크기를 초과하지 않는 이미지와 슬라이스가 어떻게 리사이즈되는지를 정의합니다. *"always"*는 *scale_resolution*으로 업스케일링하고, *"never"*는 패치 그리드에 정렬된 네이티브 해상도를 유지하며, *"adaptive"*는 글리프 크기와 밀도를 기준으로 이미지 및 슬라이스별로 선택합니다(OpenCV 필요, [*adaptive_upsize_resolution*] 참조).

MiniCPMOcrImageProcessor 이미지 프로세서를 생성합니다.

#### 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: *<class 'transformers.models.minicpm_ocr.image_processing_minicpm_ocr.MiniCPMOcrImageProcessorKwargs'>)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/image_processing_minicpm_ocr.py#L246)

**매개변수:**

images (*Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]*) : 전처리할 이미지. 픽셀 값이 0에서 255 범위로 이루어진 단일 이미지 또는 배치 이미지를 기대합니다. 픽셀 값이 0에서 1 사이인 이미지를 전달하는 경우 *do_rescale=False*로 설정하세요.

do_convert_rgb (*bool*, *kwargs*, *선택*) : 이미지를 RGB로 변환할지 여부.

do_resize (*bool*, *kwargs*, *선택*) : 이미지를 리사이즈할지 여부.

size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : 모델의 최대 입력 차원을 설명합니다.

default_to_square (*bool*, *kwargs*, *선택*) : size가 int인 경우 리사이즈 시 정사각형 이미지로 기본 설정할지 여부.

crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : *center_crop*를 적용한 후의 출력 이미지 크기.

resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*) : 이미지를 리사이즈할 경우 사용할 리샘플링 필터입니다. 이는 *PILImageResampling* enum 중 하나일 수 있습니다. *do_resize*가 *True*로 설정된 경우에만 효과가 있습니다.

do_rescale (*bool*, *kwargs*, *선택*) : 이미지를 다시 스케일링할지 여부.

rescale_factor (*float*, *kwargs*, *optional*) : *do_rescale*가 *True*로 설정된 경우 이미지를 다시 스케일링하기 위한 재스케일링 계수.

do_normalize (*bool*, *kwargs*, *선택*) : 이미지를 정규화할지 여부.

image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *선택*) : 정규화에 사용할 이미지 평균입니다. *do_normalize*가 *True*로 설정된 경우에만 효과가 있습니다.

image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*) : 정규화에 사용할 이미지 표준 편차. *do_normalize*가 *True*로 설정된 경우에만 효과가 있습니다.

do_pad (*bool*, *kwargs*, *optional*) : 이미지를 패딩할지 여부입니다. 패딩은 배치 내 가장 큰 크기로 수행하거나 이미지마다 고정된 정사각형 크기로 수행합니다. 정확한 패딩 전략은 모델에 따라 달라집니다.

pad_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : 이미지를 패딩할 *&amp;lcub;"height": int, "width" int}* 크기입니다. 전처리용으로 제공된 모든 이미지 크기보다 커야 합니다. *pad_size*가 제공되지 않으면, 이미지는 배치 내 가장 큰 높이와 너비로 패딩됩니다. *do_pad=True*일 때만 적용됩니다.

do_center_crop (*bool*, *kwargs*, *선택*) : 이미지를 중앙 크롭할지 여부.

data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *선택 사항*) : *ChannelDimension.FIRST*만 지원됩니다. 느린 프로세서와의 호환성을 위해 추가되었습니다.

input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *선택 사항*) : 입력 이미지의 채널 차원 형식입니다. 설정되지 않은 경우, 입력 이미지에서 채널 차원 형식을 추론합니다. 다음 중 하나일 수 있습니다: - *"channels_first"* 또는 *ChannelDimension.FIRST*: (num_channels, height, width) 형식의 이미지. - *"channels_last"* 또는 *ChannelDimension.LAST*: (height, width, num_channels) 형식의 이미지. - *"none"* 또는 *ChannelDimension.NONE*: (height, width) 형식의 이미지.

device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : 비디오를 처리할 장치입니다. 설정되지 않은 경우, 입력 비디오에서 장치를 추론합니다.

return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : *'pt'*로 설정된 경우 스택된 텐서를 반환하고, 그렇지 않으면 텐서 목록을 반환합니다.

disable_grouping (*bool*, *kwargs*, *optional*) : 이미지 그룹핑을 비활성화하여 이미지를 배치 대신 개별적으로 처리할지 여부입니다. None인 경우, 이미지가 CPU에 있으면 True, 그렇지 않으면 False로 설정됩니다. 이 선택은 여기에서 자세히 설명된 경험적 관찰에 기반합니다: https://github.com/huggingface/transformers/pull/38157

image_seq_length (*int*, *kwargs*, *optional*) : 입력의 각 이미지에 사용할 이미지 토큰의 수입니다. 하위 호환성을 위해 추가되었지만, 향후 모델에서는 프로세서 속성으로 설정해야 합니다.

max_slice_nums (*int*, *kwargs*, *optional*, 기본값 9) : 고해상도 이미지를 분할할 때의 최대 슬라이스 수.

scale_resolution (*int*, *kwargs*, *optional*, 기본값 448) : 개별 슬라이스의 목표 해상도.

patch_size (*int*, *kwargs*, *optional*, 기본값 14) : 비전 인코더의 공간 패치 크기입니다.

slice_mode (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 더 높은 해상도를 위해 이미지를 여러 슬라이스로 분할할지 여부.

downsample_mode (*str*, *kwargs*, *선택 사항*, 기본값은 *"4x"*) : 시각 토큰 다운샘플링 모드입니다. *"4x"*는 전체 병합을 적용하는 *"16x"*보다 4배 더 많은 토큰을 유지합니다. 호출별로 이를 오버라이드하는 것이 지원됩니다.

use_image_id (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 각 이미지 플레이스홀더 앞에 이미지-id 태그(`<image_id>N</image_id>`)를 붙일지 여부입니다. 이미지 처리 파이프라인 자체에서가 아니라 플레이스홀더 생성을 위해 Processor에서 사용됩니다.

small_image_upsize (*str*, *kwargs*, *선택 사항*, 기본값은 *"always"*) : *scale_resolution*의 제곱 크기를 초과하지 않는 이미지와 슬라이스가 어떻게 리사이즈되는지를 정의합니다. *"always"*는 *scale_resolution*으로 업스케일링하고, *"never"*는 패치 그리드에 정렬된 네이티브 해상도를 유지하며, *"adaptive"*는 글리프 크기와 밀도를 기준으로 이미지 및 슬라이스별로 선택합니다(OpenCV 필요, [*adaptive_upsize_resolution*] 참조).

**반환값:** `*~feature_extraction_utils.BatchFeature*`

- **data** (*dict*, *선택 사항*) -- __call__/pad 메서드가 반환하는 리스트/배열/텐서 딕셔너리('input_values', 'attention_mask' 등).
- **tensor_type** (*Union[None, str, TensorType]*, *optional*) -- 초기화 시 PyTorch/Numpy 텐서에서 정수 목록을 변환하려면 여기에 tensor_type를 지정할 수 있습니다.
- **skip_tensor_conversion** (*list[str]* 또는 *set[str]*, *선택 사항*) -- *tensor_type*가 지정된 경우에도 텐서로 변환하지 않아야 하는 키의 목록 또는 집합입니다.

## MiniCPMOcrVideoProcessor[[transformers.MiniCPMOcrVideoProcessor]]

#### transformers.MiniCPMOcrVideoProcessor[[transformers.MiniCPMOcrVideoProcessor]]

```python
transformers.MiniCPMOcrVideoProcessor(**kwargs: *<class 'transformers.models.minicpm_ocr.video_processing_minicpm_ocr.MiniCPMOcrVideoProcessorKwargs'>)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/video_processing_minicpm_ocr.py#L77)

**매개변수:**

do_convert_rgb (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 이미지를 RGB로 변환할지 여부.

do_resize (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 이미지를 리사이즈할지 여부.

size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : 모델의 최대 입력 차원을 설명합니다.

default_to_square (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : size가 int인 경우 리사이즈 시 정사각형 이미지로 설정할지 여부.

resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*, 기본값 *3*) : 이미지를 리사이즈할 때 사용할 리샘플링 필터입니다. 이는 *PILImageResampling* enum 중 하나일 수 있습니다. *do_resize*가 *True*로 설정된 경우에만 효과가 있습니다.

do_rescale (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 이미지를 다시 스케일링할지 여부.

rescale_factor (*float*, *kwargs*, *optional*, 기본값 *0.00392156862745098*) : *do_rescale*이 *True*로 설정된 경우 이미지를 재조정하기 위한 재조정 계수입니다.

do_normalize (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 이미지를 정규화할지 여부.

image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *선택 사항*, 기본값은 *[0.5, 0.5, 0.5]*) : 정규화에 사용할 이미지 평균입니다. *do_normalize*가 *True*로 설정된 경우에만 효과가 있습니다.

image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *선택 사항*, 기본값은 *[0.5, 0.5, 0.5]*) : 정규화에 사용할 이미지 표준 편차입니다. *do_normalize*가 *True*로 설정된 경우에만 효과가 있습니다.

do_center_crop (*bool*, *kwargs*, *선택*) : 이미지를 중앙 크롭할지 여부.

do_pad (*bool*, *kwargs*, *optional*) : 이미지를 패딩할지 여부입니다. 패딩은 배치 내 가장 큰 크기로 수행하거나 이미지마다 고정된 정사각형 크기로 수행합니다. 정확한 패딩 전략은 모델에 따라 달라집니다.

crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : *center_crop*를 적용한 후의 출력 이미지 크기.

data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *선택 사항*) : *ChannelDimension.FIRST*만 지원됩니다. 느린 프로세서와의 호환성을 위해 추가되었습니다.

input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *선택 사항*) : 입력 이미지의 채널 차원 형식입니다. 설정되지 않은 경우, 입력 이미지에서 채널 차원 형식을 추론합니다. 다음 중 하나일 수 있습니다: - *"channels_first"* 또는 *ChannelDimension.FIRST*: (num_channels, height, width) 형식의 이미지. - *"channels_last"* 또는 *ChannelDimension.LAST*: (height, width, num_channels) 형식의 이미지. - *"none"* 또는 *ChannelDimension.NONE*: (height, width) 형식의 이미지.

device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : 비디오를 처리할 장치입니다. 설정되지 않은 경우, 입력 비디오에서 장치를 추론합니다.

do_sample_frames (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 처리 전에 비디오에서 프레임을 샘플링할지, 아니면 비디오 전체를 처리할지를 결정합니다.

video_metadata (*Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]*, *kwargs*) : 총 재생 시간, fps, 총 프레임 수에 대한 정보를 포함하는 비디오의 메타데이터입니다. 비디오에서 프레임을 샘플링하거나 타임스탬프를 계산하는 데 사용됩니다. 비디오를 처리하기 전에 수동으로 디코딩하려는 경우를 제외하고는 메타데이터를 전달하지 마세요.

fps (*Annotated[int | float | None, None]*, *kwargs*) : *do_sample_frames=True*일 때 초당 샘플링할 대상 프레임 수.

num_frames (*Annotated[int | None, None]*, *kwargs*) : *do_sample_frames=True*일 때 샘플링할 최대 프레임 수.

return_metadata (*bool*, *kwargs*, *optional*, 기본값 *False*) : 비디오 메타데이터를 반환할지 여부입니다. 비디오 메타데이터는 비디오 길이, fps, 디코딩 백엔드 등에 대한 정보를 포함하는 객체입니다.

return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : 설정된 경우, 특정 프레임워크의 텐서를 반환합니다. 허용되는 값은 다음과 같습니다: - *'pt'*: PyTorch *torch.Tensor* 객체를 반환합니다. - *'np'*: NumPy *np.ndarray* 객체를 반환합니다.

max_num_frames (*int*, *kwargs*, *optional*, 기본값 128) : 비디오당 샘플링할 최대 메인 프레임 수.

stack_frames (*int*, *kwargs*, *선택 사항*, 기본값 1) : 스택할 초당 서브프레임 수. `1`은 스택을 비활성화합니다.

max_slice_nums (*int*, *kwargs*, *optional*, 기본값 9) : 고해상도 이미지를 분할할 때의 최대 슬라이스 수.

scale_resolution (*int*, *kwargs*, *optional*, 기본값 448) : 개별 슬라이스의 목표 해상도.

patch_size (*int*, *kwargs*, *optional*, 기본값 14) : 비전 인코더의 공간 패치 크기입니다.

slice_mode (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 더 높은 해상도를 위해 이미지를 여러 슬라이스로 분할할지 여부.

downsample_mode (*str*, *kwargs*, *optional*, defaults to *"4x"*) : Visual token downsampling mode. *"4x"* keeps 4x more tokens than *"16x"*, which applies the full merge.

use_image_id (*bool*, *kwargs*, *선택 사항*, 기본값 *True*) : 각 이미지 플레이스홀더 앞에 이미지-id 태그(`<image_id>N</image_id>`)를 붙일지 여부입니다. 이미지 처리 파이프라인 자체에서가 아니라 플레이스홀더 생성을 위해 Processor에서 사용됩니다.

- ****kwargs** ([*ProcessingKwargs*], *선택*) : 각 모달리티(텍스트, 이미지, 비디오, 오디오)에 대한 추가 처리 옵션입니다. 모델별 매개변수는 위에 나열되어 있으며, 지원되는 인수의 전체 목록은 TypedDict 클래스를 참조하세요.

MiniCPMOcrVideoProcessor 비디오 프로세서를 생성합니다.

#### 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: *<class 'transformers.processing_utils.VideosKwargs'>)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/video_processing_minicpm_ocr.py#L292)

**매개변수:**

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]]]`) : 전처리할 비디오입니다. 픽셀 값이 0에서 255 범위로 이루어진 단일 비디오 또는 비디오 배치(batch)를 입력으로 기대합니다. 픽셀 값이 0에서 1 범위로 이루어진 비디오를 전달하는 경우, `do_rescale=False`로 설정하십시오.

do_convert_rgb (`bool`, *kwargs*, *선택*) : 이미지를 RGB로 변환할지 여부.

do_resize (`bool`, *kwargs*, *선택*) : 이미지를 리사이즈할지 여부.

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : 모델의 최대 입력 차원을 설명합니다.

default_to_square (`bool`, *kwargs*, *선택*) : size가 int인 경우 리사이즈 시 정사각형 이미지로 기본 설정할지 여부.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : 이미지를 리사이즈할 때 사용할 리샘플링 필터입니다. `PILImageResampling` enum 중 하나를 사용할 수 있습니다. `do_resize`가 `True`로 설정된 경우에만 효과가 있습니다.

do_rescale (`bool`, *kwargs*, *선택*) : 이미지를 다시 스케일링할지 여부.

rescale_factor (`float`, *kwargs*, *선택*) : `do_rescale`가 `True`로 설정된 경우 이미지를 재조정하는 데 사용되는 재조정 계수입니다.

do_normalize (`bool`, *kwargs*, *선택*) : 이미지를 정규화할지 여부.

image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *선택*) : 정규화에 사용할 이미지 평균값. `do_normalize`이 `True`로 설정된 경우에만 효과가 있습니다.

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *선택*) : 정규화에 사용할 이미지 표준 편차. `do_normalize`가 `True`로 설정된 경우에만 효과가 있습니다.

do_center_crop (`bool`, *kwargs*, *선택*) : 이미지를 중앙 크롭할지 여부.

do_pad (`bool`, *kwargs*, *선택*) : 이미지를 패딩할지 여부입니다. 패딩은 배치 내 가장 큰 크기로 수행하거나, 이미지마다 고정된 정사각형 크기로 수행합니다. 정확한 패딩 전략은 모델에 따라 달라집니다.

crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : `center_crop`를 적용한 후의 출력 이미지 크기.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *선택*) : `ChannelDimension.FIRST`만 지원됩니다. 느린 프로세서와의 호환성을 위해 추가되었습니다.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *선택*) : 입력 이미지의 채널 차원 형식입니다. 설정하지 않으면 입력 이미지에서 채널 차원 형식을 추론합니다. 다음 중 하나일 수 있습니다: - `"channels_first"` 또는 `ChannelDimension.FIRST`: (num_channels, height, width) 형식의 이미지. - `"channels_last"` 또는 `ChannelDimension.LAST`: (height, width, num_channels) 형식의 이미지. - `"none"` 또는 `ChannelDimension.NONE`: (height, width) 형식의 이미지.

device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : 비디오를 처리할 장치입니다. 설정되지 않은 경우, 입력 비디오에서 장치를 추론합니다.

do_sample_frames (`bool`, *kwargs*, *선택*) : 처리 전에 비디오에서 프레임을 샘플링할지, 아니면 비디오 전체를 처리할지 여부.

video_metadata (`Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]`, *kwargs*) : 총 길이, fps, 총 프레임 수에 대한 정보를 포함하는 비디오의 메타데이터입니다. 비디오에서 프레임을 샘플링하거나 타임스탬프를 계산하는 데 사용됩니다. 비디오를 수동으로 디코딩하여 처리하려는 경우를 제외하고는 메타데이터를 전달하지 마세요

fps (`Annotated[int | float | None, None]`, *kwargs*) : `do_sample_frames=True`일 때 초당 샘플링할 대상 프레임 수.

num_frames (`Annotated[int | None, None]`, *kwargs*) : `do_sample_frames=True`일 때 샘플링할 최대 프레임 수.

return_metadata (`bool`, *kwargs*, *선택*) : 비디오 메타데이터를 반환할지 여부입니다. 비디오 메타데이터는 비디오 길이, fps, 디코딩 백엔드 등에 대한 정보를 포함하는 객체입니다.

return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : `'pt'`로 설정된 경우 스택된 텐서를 반환하고, 그렇지 않으면 텐서 목록을 반환합니다.

**반환값:** `~feature_extraction_utils.BatchFeature`

- **data** (`dict`, *선택 사항*) -- __call__/pad 메서드가 반환하는 리스트/배열/텐서들의 딕셔너리('input_values', 'attention_mask' 등).
- **tensor_type** (`Union[None, str, TensorType]`, *선택 사항*) -- 초기화 시 PyTorch/Numpy 텐서에서 정수 목록을 변환하려면 여기에 tensor_type을 지정할 수 있습니다.
- **skip_tensor_conversion** (`list[str]` 또는 `set[str]`, *선택 사항*) -- `tensor_type`가 지정된 경우에도 텐서로 변환해서는 안 되는 키의 목록 또는 집합.