HeOCR R3h
распознавание строк на иврите
1 мин чтения
R3h — модель распознавания текста для строк современных документов на иврите на базе kraken. Она читает печатные и «рукописные» строки, включая цифры, латиницу и типографскую пунктуацию. Это третий шаг пайплайна HeOCR: R4d находит строки, A1 задаёт порядок чтения, R3h распознаёт.
Ключевые особенности
- Построена на стандартной recognition-сети ketos 7.0.2, line-level CTC.
- Кодек на 117 символов: буквы иврита с конечными формами, geresh и gershayim, цифры, латиница, ASCII- и типографская пунктуация, знак шекеля.
- Обучена с нуля только на синтетических страницах hocrsyngen; реальные сканы не использовались.
- Ожидает baseline-сегментацию; лучше работает в связке R4d + A1 + R3h.
- Это исследовательский baseline, а не production-транскрайбер.
Пример
pip install '.[kraken]'
heocr-engine kraken --api python --segmentation-model heocr-r4d-segmentation.safetensors --reading-order-model heocr-a1-reading-order.safetensors --reading-order-classes region --recognition-model heocr-r3h-recognition.safetensors page.jpg page.json
Подробнее
CER пайплайна: 0.020 на seed-101 и 0.010 на held-out; все оценки синтетические.На CPU обработка одной страницы занимает около 8 секунд.
Ограничения: нет проверенной оценки на реальных сканах, niqqud и исторических рукописей; «handwriting-style» — один шрифт, а не реальный почерк.
Лицензия Apache-2.0.










Комментарии