/ Модель

Характеристики

Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Базовая модель
deit-base-patch16-224
Опубликована
5 июл 2025

trocr-indic

Описание изображенийИзображение → текст6 профессий

Модель TrOCR на базе DeiT и IndicBART распознаёт текст на кадрированных изображениях, ориентируясь на индийские языки.

93скачиваний за 30 дней1лайквеса обновлены5 июл 2025

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 «Распознавание текста» — 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

QuickHawk/trocr-indic — модель распознавания текста на изображениях по подходу TrOCR, разработанная Aarya Devarla для индийских языков. Она принимает кадрированные изображения с текстом и генерирует распознанную строку; архитектура — VisionEncoderDecoderModel, объединяющая DeiT и IndicBART. Модель обучена на наборе IndicSTR12 и рассчитана на распознавание ассамского, бенгальского, гуджарати, хинди, каннада, малаялам, маратхи, одиа, панджаби, тамильского и телугу.

Несмотря на перечень языков обучения, README предупреждает, что из-за ограничений IndicBART обучение использовало только деванагари. Поэтому качество для языков с другими письменностями может быть ограниченным. Приведённые CER и WER также заметно различаются между языками. Модель распространяется по лицензии MIT.

Сценарии применения

  • распознавание текста на кадрированных изображениях с индийскими языками
  • извлечение текста из фотографий вывесок и сцен
  • транскрибирование коротких фрагментов текста на изображениях

Ограничения

Хотя модель обучалась на данных для 11 индийских языков, README указывает, что фактическое обучение ограничено письменностью деванагари из-за ограничений IndicBART; для языков с другими письменностями результаты могут быть хуже. Метрики CER и WER заметно различаются по языкам.

Для каких профессий подходит6

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

trocr-indic

This model utilizes the trocr approach to predict the Indic Texts from cropped_images.

Model Details

The model follows the TrOCR approach of training OCR for Scene Texts. Since, there is scarcity for generalized model for majority of Indian Languages, this model serves it replacement.

TrOCR_Architecture.jpg Courtesty: TrOCR - original paper

The model is trained for the following languages:

  • Assamese
  • Bengali
  • Gujarati
  • Hindi
  • Kannada
  • Malayalam
  • Marathi
  • Odia
  • Punjabi
  • Telugu
  • Tamil

Model Description

IMPORTANT Although the model is trained on these languages due to limitations of IndicBART, the model is trained with only Devnagiri Scripts.

The output is in the following format:

<LANGUAGE TOKEN> <TEXT TOKENS> <EOS TOKEN>

The following flowchart gives a better picture on the approach of training and inference regarding this model.

Reworked_Implementation

  • Datasets used: IndicSTR12
  • Developed by: Aarya Devarla
  • Model type: Visio-Lingual Model / Vision-Language Model
  • License: mit
  • Finetuned from model: deit, indicBART

Results

MetricAssameseBengaliGujaratiHindiKannadaMalayalamMarathiOdiaPunjabiTamilTelugu
CER0.0690.1330.0580.0750.2120.1540.0820.1200.0970.1220.220
WER0.2050.3950.1920.2830.5760.5190.3120.3750.3040.4090.612

Well, the model isn't perfect. But it's a start.

Limitations

The main limitation comes from IndicBART which is primarily trained on IndicTexts.

Recommendations

Since the TrOCR is modular in approach one can just swap out the IndicBART model and train it with new model. Must keep in mind about the preprocessing and outputs.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
9b64cc5

0 моделей