/ Модель

Характеристики

Контекст
512 токенов
Архитектура
vision-encoder-decoder · dense
Базовая модель
trocr-base-printed
Библиотека
transformers
Опубликована
21 июл 2026

ocr-math-captcha

Описание изображенийИзображение → текст3 профессии

TrOCR-модель для распознавания коротких математических CAPTCHA-выражений на изображениях.

54скачиваний за 30 дней2лайкавеса обновлены26 июл 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 «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

arkhabbazan/ocr-math-captcha — модель оптического распознавания коротких математических CAPTCHA-выражений, созданная дообучением TrOCR на базе microsoft/trocr-base-printed. Архитектура Vision Encoder-Decoder принимает RGB-изображения CAPTCHA размером 130×30 и преобразует их в текстовое выражение без пробелов, например «26+7=?». Модель предназначена для распознавания коротких примеров сложения и вычитания, а не для OCR документов.

Обучающие данные преимущественно синтетические, поэтому незнакомые шрифты и компоновки могут снижать точность. Использование должно быть разрешено и соответствовать применимым правилам. Лицензия в предоставленных данных не указана.

Сценарии применения

  • распознавание примеров сложения в математической CAPTCHA
  • распознавание примеров вычитания в математической CAPTCHA
  • преобразование коротких CAPTCHA-изображений в текстовые выражения

Ограничения

Синтетические данные обучения могут ухудшать точность на незнакомых шрифтах и компоновках. Модель рассчитана на короткие выражения и не предназначена для распознавания документов.

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

OCR Match Captcha

A TrOCR model fine-tuned to recognize short mathematical captcha expressions such as 26+7=? and 45-6=?.

Model details

  • Architecture: Vision Encoder-Decoder / TrOCR
  • Base model: microsoft/trocr-base-printed
  • Task: Image-to-text OCR
  • Target geometry: 130x30 RGB images
  • Output: Mathematical expressions without spaces

Training configuration

ParameterValue
Epochs5
Learning rate5e-6
Batch size8
Gradient accumulation2
Operator-token weight3.0
Generation beams4
Maximum output length32

Usage

from PIL import Image
from transformers import TrOCRProcessor, VisionEncoderDecoderModel

repo_id = "arkhabbazan/ocr-match-captcha"
processor = TrOCRProcessor.from_pretrained(repo_id, token=True)
model = VisionEncoderDecoderModel.from_pretrained(repo_id, token=True)

image = Image.open("captcha.jpeg").convert("RGB")
pixel_values = processor(images=image, return_tensors="pt").pixel_values
generated_ids = model.generate(pixel_values, num_beams=4, max_length=32)
prediction = processor.batch_decode(
    generated_ids, skip_special_tokens=True
)[0]
print(prediction.replace(" ", ""))

Limitations

  • Training data is primarily synthetic.
  • Unseen fonts and layouts may reduce accuracy.
  • The model is intended for short expressions, not document OCR.
  • Usage must be authorized and compliant with applicable policies.

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
7c771c6

0 моделей