DigitNet v2 Display Band
ONNX-модель для чтения семисегментных индикаторов
2 мин чтения
Инструмент выполняет распознавание цифр на семисегментных жидкокристаллических экранах по локальным изображениям (JPEG или PNG) с заданными координатами блоков. Модель основана на весах DigitNet v2 от Chakib Belgaid, адаптированных для работы на CPU в формате ONNX (с добавлением оценки фона всей полосы дисплея и сохранения основных внешних показаний). Она принимает на вход кропы символов, выдавая вероятность чисел от 0 до 9 или признак не-цифры при пороге уверенности от 0.60. Решение пригодится разработчикам умных счётчиков, IoT-систем и автономных оффлайн-приложений для автоматического считывания показаний приборов.
Ключевые особенности
- Лёгкая архитектура: содержит всего 10,123 параметра при размере ONNX-файла 42,410 байт.
- Оффлайн-работа: полная автономность на CPU после разовой загрузки зависимостей и архива.
- Гибридный подход: позволяет дочитывать те рамки, которые отклонил основной классификатор.
- Удобная поставка: архив включает скрипты запуска, примеры изображений и JSON-разметку.
Что можно сделать
- Автоматизация счетов: интегрировать модель в локальный пайплайн обработки фотографий счётчиков электроэнергии или воды.
- Дообучение и проверка: протестировать точность распознавания на собственных датасетах с координатами цифр.
- IoT-интеграция: использовать легковесный ONNX-файл в собственных программах на Python для edge-устройств.
Пример
curl -fL '[https://modelscope.cn/models/nano0412/inchwork-digitnet-v2-display-band-onnx/resolve/v0.1.0/digitnet-display-band-cpu-v0.1.0.zip](https://modelscope.cn/models/nano0412/inchwork-digitnet-v2-display-band-onnx/resolve/v0.1.0/digitnet-display-band-cpu-v0.1.0.zip)' -o digitnet.zip
python3.12 -m zipfile -e digitnet.zip .
cd E-009-P-digitnet-cpu
python3.12 -m venv .venv
.venv/bin/python -m pip install -r requirements.txt
.venv/bin/python digitnet_pilot.py examples/display.png examples/boxes.jsonПодробнее
• Архитектура: тензорный вход uint8 [N,1,32,24], где 0 — фон, а 255 — наиболее глубокие штрихи.• Выход: вероятности [N,11] с порогом срабатывания по классу ≥0.60.
• Бенчмарки: на тестовой выборке из 904 рамки базовый DigitNet показал 737 верных ответов и 166 отказов (при комбинировании с резервным методом верных ответов — до 790).
• Требования: Python 3.12, работа на обычном CPU без необходимости GPU.










Комментарии