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, поддерживаетdevice_map='cuda'иbfloat16. - 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)
Подробнее
Бенчмарк: 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.









Комментарии