/ Модель

Характеристики

Архитектура
vision-encoder-decoder · dense
Базовая модель
manga-ocr-base-2025
Библиотека
transformers
Опубликована
22 мая 2026

manga-ocr-finetuned

Изображение и текст → текст3 профессии

Дообученная vision-encoder-decoder модель для распознавания английского и японского текста, включая звуковые эффекты, на изображениях манги.

208скачиваний за 30 дней1лайквеса обновлены3 июн 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

JustANormalTinkerer/manga-ocr-finetuned — дообученная модель распознавания текста в изображениях манги, созданная на основе jzhang533/manga-ocr-base-2025. Она предназначена для OCR английских переводов манги и звуковых эффектов; автор отмечает улучшенную поддержку этих текстов по сравнению с базовой моделью, хотя распознавание звуковых эффектов всё ещё работает плохо.

Модель использует архитектуру vision-encoder-decoder и доступна в формате safetensors через Transformers. В README указано обучение на английских и японских фрагментах манги из открытых и частных наборов данных, включая около 6 тысяч современных англоязычных фрагментов, часть AnimeText и примерно 80 тысяч псевдоразмеченных фрагментов. Для старой версии дообученной модели приведён CER 26,25% на наборе оценки; это значение не подтверждено для текущего состояния модели.

Лицензия и размер модели в предоставленных данных не указаны. Результаты на звуковых эффектах остаются слабыми; приведённая оценка относится к старой версии, поэтому её нельзя считать гарантией качества текущей модели.

Сценарии применения

  • распознавание реплик в английских переводах манги
  • извлечение текста из японских страниц манги
  • OCR звуковых эффектов и надписей в манге
  • подготовка текстовых данных из обрезанных фрагментов манги

Ограничения

Автор отмечает, что распознавание звуковых эффектов всё ещё слабое. Приведённый CER 26,25% относится к старой версии модели и не подтверждён для текущей версии.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

I've released https://github.com/NopeNopeGuy/hayai-ocr please use that instead as it performs MUCH better. Note that model is actually still undertrained since I ran out of kaggle hours so may get updated to be MUCH better.

manga-ocr-finetuned

This model is a fine-tuned version of jzhang533/manga-ocr-base-2025

This is the evaluation of the manga-ocr models on the Evaluation set:

Model NameFull Eval Set CER (%)
kha-white/manga-ocr-base37.45%
jzhang533/manga-ocr-base-202537.38%
JustANormalTinkerer/manga-ocr-finetuned (old)26.25%
JustANormalTinkerer/manga-ocr-finetuned (new)15%

Intended uses & limitations

For manga ocr with better english and SFX support (it's still bad, but less bad)

Training and evaluation data

The model was trained on a private dataset consisting of modern ENGLISH translated manga's like Kaguya-sama - Love Is War, Komi Can't Communicate, Nichijou, Akuyaku Reijou no Naka no Hito, Solo Leveling, Witch Hat Atelier (~6k image crops). It was also trained on a subset of the AnimeText dataset consisting of ~ 100k Japanese image crops and 10k English image crops and was also trained on 45k image crops of Manga109-s COO. It was further trained on a private dataset consisting of some volumes of the Shonen Jump, Young Jump, Made In Abyss, Stand By Me, Shonen Jump, Choukadou Girl, Tsurezure Children, La Vie en Doll, Shadows House, Komi-san, Yuri Hime, Isekai Ojisan, Kaguya-sama and some Indie Mangas from Pixiv, making up ~80k image crops that were psuedo-labeled by gemini-3.1-flash-lite. It was trained for 3 epochs on this data.

Framework versions

  • Transformers 5.0.0
  • Pytorch 2.10.0+cu128
  • Datasets 4.0.0
  • Tokenizers 0.22.2

Citations

@inproceedings{baek2026mangav26,
  author    = {Baek, Jeonghun and Miyai, Atsuyuki and Onohara, Shota and Ikuta, Hikaru and Aizawa, Kiyoharu},
  title     = {Revisiting Manga109 Annotations for Modern Manga Understanding},
  booktitle = {Culture × AI Workshop at ICML 2026},
  year      = {2026}
}

@article{aizawa2020building,
  author  = {Aizawa, Kiyoharu and Fujimoto, Azuma and Otsubo, Atsushi and Ogawa, Toru and Matsui, Yusuke and Tsubota, Koki and Ikuta, Hikaru},
  title   = {Building a Manga Dataset ``Manga109'' with Annotations for Multimedia Applications},
  journal = {IEEE MultiMedia},
  year    = {2020},
  volume  = {27},
  number  = {2},
  pages   = {8--18},
  doi     = {10.1109/mmul.2020.2987895}
}

@article{matsui2017sketch,
  author  = {Matsui, Yusuke and Ito, Kota and Aramaki, Yuji and Fujimoto, Azuma and Ogawa, Toru and Yamasaki, Toshihiko and Aizawa, Kiyoharu},
  title   = {Sketch-based Manga Retrieval using Manga109 Dataset},
  journal = {Multimedia Tools and Applications},
  year    = {2017},
  volume  = {76},
  number  = {20},
  pages   = {21811--21838},
  doi     = {10.1007/s11042-016-4020-z}
}

@inproceedings{baek2022coo,
  author    = {Baek, Jeonghun and Matsui, Yusuke and Aizawa, Kiyoharu},
  title     = {COO: Comic Onomatopoeia Dataset for Recognizing Arbitrary or Truncated Texts},
  booktitle = {Proceedings of the European Conference on Computer Vision (ECCV)},
  year      = {2022}
}

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
052a8c3

0 моделей