Hayai OCR v2.7 Supernova
сверхбыстрое распознавание текста на CJK и английском
2 мин чтенияобновлено
Компактная vision-to-text модель на 157 млн параметров от автора JustANormalTinkerer для распознавания вырезанных фрагментов текста (crop-level OCR) на японском, китайском, корейском и английском языках. Она объединяет визуальный энкодер Google SigLIP2 NaFlex и 12-слойный декодер с архитектурой GQA (Grouped Query Attention — механизм внимания с группировкой запросов для ускорения инференса). В отличие от классических пайплайнов, модель считывает плотный, стилизованный, изогнутый и разнонаправленный текст за один проход без промежуточного детектора строк. Пригодится разработчикам сканлейт-инструментов, парсеров комиксов и систем перевода изображений.
Ключевые особенности
- Двунаправленный порядок чтения: блок VisualCausalFlow разделяет внимание на горизонтальные головы (слева направо для английского, китайского, корейского и горизонтального японского) и вертикальные (справа налево для манги).
- Слияние признаков со всех слоёв: механизм StaticDepthFusion берёт данные со всех 12 слоёв SigLIP2, сохраняя мелкие штрихи иероглифов и диакритические знаки с ранних уровней.
- Рекордная точность в бенчмарках: обходит лидеров публичного рейтинга на JMangaBench_Read v1.3.3 и JMangaBench_Hard v1.0 при бюджете 256 патчей.
- Высокая пропускная способность: поддержка CUDA Graphs, упаковки визуальных батчей и предсвёрнутых весов обеспечивает до 147.28 изображений в секунду.
Что можно сделать
- Встроить в пайплайн перевода манги, манхвы и комиксов в паре с детектором текстовых пузырей (например, YOLO или DBNet).
- Использовать для пакетного распознавания звуковых эффектов (SFX), рукописных вставок и стилизованных надписей на CJK-языках и английском.
- Запускать в высоконагруженных OCR-сервисах на недорогих видеокартах уровня Tesla T4 с минимальной задержкой на фрагмент.
Пример
from PIL import Image
from transformers import AutoModel, AutoProcessor
MODEL_ID = "JustANormalTinkerer/hayai-ocr-v2.7-supernova"
model = AutoModel.from_pretrained(MODEL_ID, trust_remote_code=True).cuda().eval()
processor = AutoProcessor.from_pretrained(MODEL_ID, trust_remote_code=True)
image = Image.open("example.png").convert("RGB")
text = model.ocr(image, processor, max_patches=256, use_cuda_graph=True)Подробнее
Метрики (p256): 98.72 Composite (95.17% EM, 1.79% CER) на JMangaBench_Read v1.3.3 и 96.10 Score (88.72% EM, 4.77% CER) на JMangaBench_Hard v1.0.Скорость и железо: 147.28 img/s (6.59 мс на кроп) на Tesla T4 в fp16 при batch_size=512; пиковое потребление VRAM — 7.59 ГБ.
Ограничения: работает только с уже вырезанными текстовыми блоками (не для целых страниц); требует trust_remote_code=True и repetition_penalty=1.0.
Обучение: дообучена с чекпоинта v2.5 на 2× Tesla T4 в два этапа на японских, синтетических и мультиязычных датасетах CJK+EN.










Комментарии