/ Модель

Характеристики

Лицензия
CC BY 4.0
Архитектура
hand-dan-page · dense
Библиотека
pytorch
Опубликована
3 окт 2026

hand-read2016-double-page

Описание изображенийИзображение → текст

Модель HAND распознаёт рукописный текст и структуру документа на изображениях двух страниц из набора READ 2016.

15скачиваний за 30 дней0лайковвеса обновлены3 окт 2026

Бенчмарки

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

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

Модель MHamdan/hand-read2016-double-page разработана Hamdan, Rahiche и Cheriet в рамках проекта HAND: Unified Text–Layout Decoding for Handwritten Document Recognition. Это специализированная модель распознавания рукописных документов на изображениях двух страниц, дообученная на изображениях READ 2016. Она использует полностью свёрточный энкодер и восьмислойный трансформерный декодер с единым потоком символов и токенов структуры документа, включая страницу, номер страницы, раздел, аннотацию и основной текст. Модель содержит около 7,03 млн параметров и дополнительные черновые головы для спекулятивного декодирования; ожидает RGB-изображение документа, приведённое к 150 dpi, либо исходный скан с указанием его разрешения.

На тесте READ 2016 из 24 изображений авторы сообщают CER 3,60 %, WER 13,27 %, LOER 0,0474 и mAP-CER 0,925. Модель рассчитана именно на разворот из двух страниц: при подаче одной страницы может продолжать выводить элементы следующей, а при трёх страницах обрабатывает только первые две. Репозиторий распространяется по лицензии CC BY 4.0.

Сценарии применения

  • транскрибация рукописного текста на развороте из двух страниц
  • распознавание исторических рукописных документов READ 2016
  • извлечение номеров страниц и разделов из рукописного документа
  • сохранение структуры страниц, аннотаций и основного текста при распознавании

Ограничения

Модель предназначена для изображений ровно двух страниц и может неверно продолжать структуру при подаче одной страницы или обрезать результат для разворота из трёх страниц. Заявленные метрики получены на небольшом тестовом наборе из 24 изображений READ 2016.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hand-read2016-double-page

Part of HAND: Unified Text–Layout Decoding for Handwritten Document Recognition (Hamdan, Rahiche, Cheriet). Code: github.com/DocumentRecognitionModels/HAND-Decoding

The page model after continued training on READ 2016 double-page images (311 epochs; selected at epoch 220).

  • Architecture: fully convolutional encoder and eight-layer transformer decoder; one output stream of characters and layout tokens (page, page number, section, annotation, body).
  • Parameters: 7,033,700 plus 365,968 in the speculative draft heads (m = 5).
  • Input: an RGB document image, resampled to 150 dpi.
  • Result reported in the paper: READ 2016 double-page test (24 images): CER 3.60 %, WER 13.27 %, LOER 0.0474, mAP-CER 0.925.
  • Scope: Reads two pages. On a single page it opens further page elements after the page; on a triple page it stops after two pages.

Verified before release: decoding the stored example image with these weights reproduces the prediction recorded in the repository token for token; with the draft heads, speculative decoding reproduces greedy decoding.

# git clone https://github.com/DocumentRecognitionModels/HAND-Decoding && cd HAND-Decoding && pip install -r requirements.txt
import sys; sys.path.insert(0, "release")
from hand_release.inference import HANDRecognizer

model = HANDRecognizer.from_pretrained("MHamdan/hand-read2016-double-page", kv_cache=True, speculative=True)
page = model.read("page.jpg", source_dpi=300)   # 300 for a raw scan, 150 if already resampled
print(page.text)      # transcription; page.raw keeps the layout tokens inline

Licence and attribution

These weights are released under the Creative Commons Attribution 4.0 International licence (CC BY 4.0, https://creativecommons.org/licenses/by/4.0/). They are Adapted Material of:

  • Pretrained Document Attention Network for Handwritten Text Recognition, Denis Coquenet, Zenodo, DOI 10.5281/zenodo.7244382, CC BY 4.0, file fcn_read_2016_line_syn.pt (sha256 557d6c349131b113c1e316effdb028eff9b37bf39a48d0689125a3783b86a7c3). Its encoder weights initialised this model, which was then trained further on READ 2016 page images and synthetic pages. The model was trained on READ 2016 (Sánchez et al., Zenodo 10.5281/zenodo.1297399, CC BY 4.0).

The weights are provided as-is, without warranty. The code that loads them is MIT-licensed, with DAN-derived files under CeCILL-C; see release/NOTICE.md in https://github.com/DocumentRecognitionModels/HAND-Decoding.

Citation

The paper is under review. Until it is published, please cite the preprint, which appeared under an earlier title:

@article{hamdan2024hand,
  title   = {{HAND}: Hierarchical Attention Network for Multi-Scale Handwritten
             Document Recognition and Layout Analysis},
  author  = {Hamdan, Mohammed and Rahiche, Abderrahmane and Cheriet, Mohamed},
  journal = {arXiv preprint arXiv:2412.18981},
  year    = {2024},
  url     = {https://arxiv.org/abs/2412.18981}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Архитектура hand-dan-page неизвестна transformers в образе рантайма.

Ревизия весов
08c161b

0 моделей