/ Модель

Характеристики

Лицензия
MIT
Библиотека
onnxruntime
Опубликована
20 мая 2026

xournalpp-htr-word-detector

Поиск объектовИзображение → bounding_boxes5 профессий

Модель Xournal++ HTR выделяет рукописные слова на изображениях документов и возвращает их ограничивающие рамки для последующего распознавания.

43скачиваний за 30 дней1лайквеса обновлены1 сен 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

WordDetector — модель обнаружения отдельных рукописных слов на изображениях документов, разработанная как часть проекта Xournal++ HTR. Она предназначена для этапа выделения слов в конвейере распознавания рукописного текста и выдаёт ограничивающие рамки, не выполняя транскрипцию.

Модель использует модифицированный энкодер ResNet-18 и декодер в стиле U-Net. На вход подаётся изображение в оттенках серого, приводимое к размеру 448×448; выходные карты сегментации и геометрии обрабатываются для получения рамок слов. Для инференса предусмотрен формат ONNX и ONNX Runtime, поэтому модель рассчитана на запуск на обычных устройствах без GPU. Обучение проводилось на IAM Handwriting Database.

Модель распознаёт расположение слов, но не их содержание. Фиксированное масштабирование до 448×448 может искажать неквадратные изображения, а качество на почерках, отличающихся от стиля IAM, может варьироваться. Лицензия — MIT.

Сценарии применения

  • выделение слов на сканах рукописных документов
  • поиск границ слов перед распознаванием рукописи
  • подготовка областей слов для отдельной модели транскрипции

Ограничения

Модель только находит слова и не транскрибирует их; вход должен быть в оттенках серого. Масштабирование до 448×448 может искажать неквадратные изображения, а качество на почерках, отличных от IAM, может быть ниже.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

WordDetector — Word-Level Bounding Box Detection for Handwritten Text

A word-detection model that locates individual handwritten words in document images. It produces axis-aligned bounding boxes — no transcription or labels. Part of the Xournal++ HTR project.

Model details

PropertyValue
ArchitectureModified ResNet-18 encoder + U-Net-style decoder
InputGrayscale image, resized to 448×448
Output7 feature maps at 224×224 (segmentation + geometry)
FormatONNX (softmax baked in, opset 17)
Parameters~11.2M
Training dataIAM Handwriting Database
Best val F10.88 (lr=0.001, bs=16, 200 epochs)
LicenseMIT

Usage

from xournalpp_htr.inference_models import WordDetectorModel

model = WordDetectorModel.from_pretrained()
boxes = model.detect(grayscale_image)  # list[BoundingBox]

Each BoundingBox has x_min, y_min, x_max, y_max in the original image's pixel coordinates.

Requires pip install xournalpp-htr (pulls onnxruntime and huggingface-hub, no PyTorch needed).

How it works

The model outputs 7 maps per image:

  • Segmentation (3 channels): word / surrounding margin / background (softmax classification)
  • Geometry (4 channels): per-pixel distance to the top, bottom, left, and right edges of the enclosing word bounding box

Post-processing decodes these maps into bounding boxes via connected-component analysis and DBSCAN clustering.

Training

Trained on the IAM Handwriting Database with an 80/20 random split. The best model was selected via a hyperparameter grid search over learning rates (0.0005, 0.001, 0.002) and batch sizes (16, 32, 64, 128) with early stopping (patience=50).

HyperparameterValue
OptimizerAdam
Learning rate0.001
Batch size16
Max epochs200
LossCross-entropy (segmentation) + IoU (geometry)

Full training instructions: README.

Intended use

This model is the detection stage in a handwriting recognition pipeline. It is designed to run on personal devices (laptops, edge) via ONNX Runtime — no GPU required for inference. A separate transcription model (not yet available) would read the detected word regions.

Limitations

  • Detection only — no text transcription.
  • Grayscale input required.
  • Fixed 448×448 resize may distort aspect ratio on non-square images.
  • No training-time data augmentation (planned improvement).
  • Validated on IAM-style handwriting; performance on other styles (e.g. historical documents) may vary.

Citation

The architecture is based on WordDetectorNN by Harald Scheidl.

Как запустить

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

GPU в ailist

Универсальный рантайм · onnxruntime

Нельзя запустить

Модель выложена только в формате ONNX.

Ревизия весов
a617ea8

0 моделей