ThakiOCR-JA-v1
японский OCR-адаптер
1 мин чтения
Модель представляет собой исследовательский выпуск (research release) для распознавания строк горизонтального печатного японского текста. Она создана на базе PaddlePaddle/PaddleOCR-VL-1.6 (0.9B) с добавлением и слиянием одного LoRA-адаптера (обученного на 600 шагах). Решение ориентировано на разработчиков и исследователей, работающих с японскими документами, и поставляется с открытым кодом для инференса. Модель оптимизирована под конкретные текстовые строки, но требует ручного указания ориентации изображений.
Ключевые особенности
- Специализация на горизонтальном печатном японском тексте с использованием LoRA-адаптера.
- Проверена на 2000 строках из 30 правительственных белых книг Японии.
- Включает поддержку библиотеки vllm и скрипт для инференса с возможностью нормализации символов.
- Требует явного указания ориентации изображения от вызывающего кода, так как не умеет определять её автоматически.
Что можно сделать
- Распознавать отдельные строки печатного японского текста в скриптах с помощью Python.
- Интегрировать модель в пайплайны обработки документов на базе vllm.
- Применять опциональный режим нормализации modern_ja для исправления редких вариантних глифов (например, 齡 на 齢).
Пример
from huggingface_hub import snapshot_download
from inference import ThakiOCRJA
model_dir = snapshot_download("ThakiCloud/ThakiOCR-JA-v1")
ocr = ThakiOCRJA(model_dir)
res = ocr.recognize(["line.png"], kind="line", orientation="upright")
print(res[0]["raw_text"])
Подробнее
Бенчмарки: CER 0.0094 (против 0.0118 у базы), Digit F1 0.9973.Требования: vllm (версия 0.28.0), pillow, размер модели около 0.96 млрд параметров.
Ограничения: только строки текста, нет детекции ориентации, не поддерживает корейский и английский языки.
Лицензия: Apache-2.0.










Комментарии