ThakiOCR-KOEN-G2M-R2
компактное распознавание строк на корейском и английском
2 мин чтенияобновлено
Лёгкая модель оптического распознавания текста (OCR) на 8,93 млн параметров, которая считывает заранее вырезанную строку изображения и возвращает её расшифровку на корейском или английском языке. Это вторая итерация от ThakiCloud, дообученная на базе весов ThakiOCR-KOEN-G2M-Preview на протяжении 80 000 дополнительных шагов. Сама нейросеть не ищет текст на странице и работает в паре с внешним детектором строк или разметки документа. По сравнению с первой версией заметно снизилась доля ошибок на синтетических данных, а на реальных сканах документов улучшение минимально. Подойдёт исследователям для экспериментов в конвейерах обработки двуязычных печатных документов (статус модели — research preview, для продакшена она не предназначена).
Ключевые особенности
- Сверхкомпактный размер: всего 8,93 млн параметров (веса в
fp32), модель без проблем запускается даже на CPU. - Архитектура с CTC (Connectionist Temporal Classification): свёрточный энкодер с 6 блоками depthwise 1-D свёртки и жадным декодированием без внешней языковой модели.
- Двуязычный словарь: поддержка 14 250 символов (корейские слоги хангыль, латиница, цифры и спецсимволы).
- Автономный запуск: весь инференс умещается в один файл
inference.pyна базе PyTorch, NumPy, Pillow и safetensors под лицензией Apache-2.0.
Что можно сделать
- Встроить в исследовательский пайплайн распознавания документов после модели детекции строк (layout-модели) для чтения печатного корейского и английского текста.
- Сравнить качество распознавания на синтетических и реальных сканах с базовой версией
G2M-Preview, так как оба репозитория используют идентичный код инференса.
Пример
from inference import ThakiOCR
ocr = ThakiOCR(".", device="cpu")
print(ocr.recognize(["line1.png", "line2.png"]))
Подробнее
Метрики (CER, ниже — лучше): на синтетикеko_val ошибка снизилась с 6,38% до 5,36%, на en_val — с 5,49% до 4,59%, на реальных строках real_ival_line — с 8,43% до 8,37%.Обучение: 80 000 доп. шагов (120 000 всего), 4,45 GPU-часа на одной NVIDIA B200 на смеси из 10,24 млн примеров (NVIDIA synthetic и AI Hub 71299).
Ограничения: принимает только одиночные чёрно-белые строки шириной до 2048 px после ресайза (высота 48 px); не подходит для рукописного текста, фото и критически важных полей в финансовых документах.










Комментарии