К содержимому
Другое

DeepOCR v4

распознавание исторической печати и рукописей

2 мин чтенияобновлено

Модель для построчного OCR (оптического распознавания текста) старинных печатных изданий и рукописных документов. Разработана автором M2key1 на базе DeepOCR v3 (461.6M параметров), но дополнена субсловным декодером на основе 238M-версии OLMo 3, дистиллированной из HabsburgLLM. В отличие от прошлой версии, v4 генерирует четыре варианта строки с помощью языкового декодера и проверяет их по изображению через CTC-голову (слой выравнивания символов с картинкой), что вдвое сокращает ошибки на новых рукописных письмах. Пригодится историкам, архивистам и разработчикам систем оцифровки документов.

Ключевые особенности

  • Гибридная архитектура на 461.6M параметров: 156.0M приходится на визуальный энкодер с MoE-слоями (64 эксперта, 8 активных на столбец) и байтовой CTC-головой, а 305.6M — на субсловный декодер с кросс-вниманием к признакам изображения.
  • Снижение ошибок на рукописях: на невиданных ранее письмах около 1900 года показатель CER (частота ошибок на уровне символов) упал с 9.36% у v3 до 4.56% у v4.
  • Гибкая настройка орфографии: четыре флага в infer.CONVENTION позволяют управлять передачей длинной s (ſ), косого дефиса (⸗), типографской пунктуации и раскрытием сокращений.
  • Независимость от батча: строка распознаётся одинаково независимо от того, подаётся ли она отдельно или в пакете с более длинными строками.

Что можно сделать

  • Оцифровывать европейские печатные книги и рукописи от Средневековья до Нового времени после предварительной сегментации страницы на отдельные строки.
  • Интегрировать модель в инструмент разметки DeepLabel, который уже поддерживает работу с субсловным декодером v4.
  • Выбирать режим декодирования под задачу: использовать use_decoder=True для связного текста или переключаться на beam search с KenLM для точного подсчёта отточий и коротких фрагментов из 1–2 слов.

Пример

import torch
from PIL import Image
from infer import load_model, transcribe

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model, tokenizer = load_model('deepocr-v4.pt', device)
print(transcribe(model, tokenizer, [Image.open('line.png')], device, use_decoder=True)[0])
ПодробнееМетрики CER (ниже — лучше): на 2 000 строках валидации — 6.82% (против 7.44% у v3), на 1 972 строках рукописных писем ~1900 года — 4.56% (против 9.36% у v3).
Вход: RGB-изображение одной строки, масштабируется до 256 px по высоте и читается до 6144 px в ширину.
Ограничения: требуется предварительный детектор строк; перевёрнутые кропы не определяются автоматически; хуже читает редкие в обучающей выборке языки (например, чешский).
Лицензия: Apache-2.0.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.7 GB · готовые файлы2.4 GB
  • FP8 / INT8рекомендуемвеса 0.9 GB1.4 GB
  • 4-bitвеса 0.5 GB1.0 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 · BF16 — 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.

    # M2key1/deepocr-v4
    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 M2key1/deepocr-v4 --local-dir ~/models/deepocr-v4
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к deepocr-v4
  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

Дообучение модели

M2key1/deepocr-v3

Новые посты про версии deepocr-v3 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

M2key1/deepocr-v4
Автор
M2key1
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Baron 1

Baron 1