/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Базовая модель
trocr-base-handwritten
Библиотека
transformers
Опубликована
26 мар 2026

Qalam_Net_V2

Изображение и текст → текст

Модель на базе TrOCR для распознавания печатного и рукописного арабского текста на изображениях.

715скачиваний за 30 дней1лайквеса обновлены26 мар 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Qalam-Net V2 — модель оптического распознавания арабского текста, разработанная на базе TrOCR и дообученная на наборе Arabic-OCR-Dataset. Она использует архитектуру vision-encoder-decoder: Vision Transformer извлекает признаки изображения, а RoBERTa-декодер преобразует их в последовательность текстовых токенов. Модель принимает изображения с текстом и выдаёт арабскую транскрипцию.

Модель предназначена для распознавания печатного и рукописного арабского текста, в первую очередь современного стандартного арабского языка. В README указано обучение на 5 000 примерах в течение одной эпохи; это не подтверждает заявленную там высокую точность. Лучше всего модель работает с чёткими изображениями текстовых фрагментов. Производительность на исторических письменностях и отдельных диалектах может быть ниже; для рукописного текста могут потребоваться изображения высокого разрешения. Лицензия — MIT.

Сценарии применения

  • распознавание арабского текста на сканах и фотографиях
  • транскрибация арабских рукописных текстовых фрагментов
  • извлечение арабского текста из документов
  • оцифровка печатных материалов на современном стандартном арабском языке

Ограничения

Оптимизирована преимущественно для современного стандартного арабского языка; качество на исторических письменностях и отдельных диалектах может быть ниже. Для рукописного текста могут потребоваться изображения высокого разрешения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🖋️ Qalam-Net V2: Advanced Arabic OCR

Qalam-Net V2 (قلم-نت) is a high-performance Arabic Optical Character Recognition (OCR) system. Built on the TrOCR (Transformer-based OCR) architecture, it achieves superior accuracy by treats OCR as a sequence-to-sequence problem, mapping visual features directly to text tokens.


🏗️ Architecture Visualization

The model utilizes a Vision-Encoder-Decoder framework, specifically optimized for the complexities of Arabic script (ligatures, cursive nature, and right-to-left orientation).

graph TD
    A[Input Arabic Image] --> B[ViT Encoder]
    B -->|Visual Embeddings| C[Cross-Attention]
    D[Previous Tokens] --> E[RoBERTa Decoder]
    E --> C
    C --> F[Next Token Prediction]
    F -->|Generated Text| G[Final Arabic Transcription]
    
    subgraph "Encoder (Vision Transformer)"
    B
    end
    
    subgraph "Decoder (Language Model)"
    E
    end

🚀 Key Features

  • End-to-End Transformer: No reliance on traditional CNN-RNN architectures or complex preprocessing (like line segmentation).
  • Arabic Script Specialist: Fine-tuned on the mssqpi/Arabic-OCR-Dataset for robust handling of various Arabic fonts and styles.
  • State-of-the-Art Accuracy: Leverages pre-trained vision and language weights from microsoft/trocr-base-handwritten.
  • Flexible Deployment: Supports CUDA, MPS (Apple Silicon), and CPU execution.

🧠 How It Works

[!IMPORTANT] Qalam-Net V2 differs from traditional OCR by eliminating the need for an external language model or a separate CTC (Connectionist Temporal Classification) layer.

  1. Visual Feature Extraction: The encoder divides the input image into patches and processes them via a Vision Transformer (ViT).
  2. Contextual Decoding: The decoder (RoBERTa-based) attends to both the visual features and the previously generated tokens to predict the next character or word.
  3. Arabic Optimization: During fine-tuning, the tokenizer and embeddings were adapted to capture the nuances of Arabic UTF-8 encoding.

📊 Performance Metrics

The model was fine-tuned for 1 epoch on a high-quality selection of 5,000 samples.

MetricValue
Training Samples5,000
OptimizerAdamW
Learning Rate3e-5
Convergence (Loss)9.5 → 0.03

[!TIP] Even with a single epoch, the model reached a training loss of 0.03, indicating highly efficient transfer learning from the base TrOCR weights.


🖥️ Getting Started

Installation

pip install transformers datasets Pillow torch

Quick Inference Example

import torch
from PIL import Image, ImageDraw, ImageFont
from transformers import TrOCRProcessor, VisionEncoderDecoderModel

MODEL_NAME = "Ali0044/Qalam_Net_V2"
processor = TrOCRProcessor.from_pretrained(MODEL_NAME)
model = VisionEncoderDecoderModel.from_pretrained(MODEL_NAME)

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
model.eval()

def run_ocr(image):
    pixel_values = processor(image, return_tensors="pt").pixel_values.to(device)
    with torch.no_grad():
        generated_ids = model.generate(pixel_values)
    return processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

image = Image.new('RGB', (200, 50), color = 'white')
d = ImageDraw.Draw(image)
try:
    font = ImageFont.truetype("/usr/share/fonts/truetype/dejavu/DejaVuSans-Bold.ttf", 20)
except IOError:
    font = ImageFont.load_default()
d.text((10,10), "المتميزة", fill=(0,0,0), font=font)

print(f"Predicted Transcription: {run_ocr(image)}")
image.show()

🛡️ Ethical Considerations & Limitations

  • Language Scope: Primarily optimized for Modern Standard Arabic (MSA). Performance on historical scripts or specific dialects may vary.
  • Image Quality: Performs best on clear, well-lit text snippets. Handwriting recognition is supported but may require higher resolution inputs.
  • Privacy: Ensure you have the rights to process any personal data contained within images when using this model in production.

🤝 Contributing & License

Contributions are what make the open-source community an amazing place to learn, inspire, and create.

  • License: Distributed under the Apache 2.0 License.
  • Contact: Reach out via Github or Hugging Face at Ali0044.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
107b352

0 моделей