К содержимому
Компьютерное зрение

akhorika-ocr-v1

OCR для печатного ассамского текста

1 мин чтения

akhorika-ocr-v1 — открытая OCR-модель от Anand Dey на ~1.3B параметров. Она принимает изображение с печатным ассамским текстом (строка, слово или абзац) и возвращает распознанный текст на ассамском. Задача — image-text-to-text, библиотека transformers.

Ключевые особенности

  • Распознаёт печатный ассамский текст с изображений: сканы книг, газет, журналов, форм и архивов.
  • Работает через transformers, поддерживает device_map='cuda' и bfloat16.
  • Подходит для черновой транскрипции и поисковой индексации отсканированных страниц.
  • Язык карточки — только ассамский (as); модель не заявлена как мультиязычная.
  • Обучена на печатном тексте, не предназначена для рукописей, таблиц и формул.

Пример

import torch
from PIL import Image
from transformers import AutoProcessor, AutoModelForImageTextToText
model_id = 'ananddey/akhorika-ocr-v1'
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(model_id, dtype=torch.bfloat16, device_map='cuda').eval()
prompt = processor.apply_chat_template([{'role': 'user', 'content': [{'type': 'image'}, {'type': 'text', 'text': 'Text Recognition:'}]}], add_generation_prompt=True, tokenize=False, enable_thinking=False)
# далее: Image.open('sample.jpg') → processor(...) → model.generate(..., max_new_tokens=1024, do_sample=False)
ПодробнееБенчмарк: 428 печатных фрагментов из IndicOCR-Bench, CER 3.40% (strict) / 2.97% (normalized), WER 21.09% / 18.21%.
Нужно около 8 GB VRAM в bfloat16; на CPU работает, но занимает десятки секунд.
Ограничения: только печатный текст, без рукописей, многоколоночных вёрсток, таблиц и уравнений.
Требуется transformers версии 5.21.0 или новее.
Обсудить Telegram 0 44

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 4.8 GB · готовые файлы5.8 GB
  • BF16веса 2.4 GB3.2 GB
  • FP8 / INT8рекомендуемвеса 1.2 GB1.8 GB
  • 4-bitвеса 0.7 GB1.2 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # ananddey/akhorika-ocr-v1
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download ananddey/akhorika-ocr-v1 --local-dir ~/models/akhorika-ocr-v1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к akhorika-ocr-v1
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии akhorika-ocr-v1 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 1Все на Hugging Face

О модели

ananddey/akhorika-ocr-v1
Автор
ananddey
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

440

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Gemma 4 26B A4B

Gemma 4 26B A4B
Компьютерное зрение

Gemma-4-E4B-it

Gemma-4-E4B-it