/ Модель

Характеристики

Лицензия
CC BY-SA 4.0
Архитектура
clarity-omr · dense
Базовая модель
davit_base.msft_in1k
Опубликована
14 мар 2026

Clarity-OMR

Описание изображенийИзображение → текст3 профессии

Clarity-OMR преобразует изображения нотных партитур в текстовое представление для оптического распознавания музыки.

61скачиваний за 30 дней5лайковвеса обновлены16 мар 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

Clarity-OMR — модель оптического распознавания нотной записи, разработанная автором репозитория для преобразования изображений музыкальных партитур в текстовое представление. Она дообучена на основе визуального трансформера DaViT Base и предназначена для распознавания партитур с последующим использованием результата в сценариях работы с нотным текстом.

Модель обрабатывает изображения и выдаёт текст; автор описывает подход с распознаванием нотного стана за станом и приводит сравнение с Audiveris на разных музыкальных произведениях. По словам автора, на GPU RTX 3080 обработка занимает в среднем около 10 секунд на страницу и примерно втрое быстрее Audiveris в указанном режиме. Качество заметно снижается на партитурах с неаккуратной или нестандартной организацией нотных станов. Репозиторий распространяется по лицензии CC BY-SA 4.0.

Сценарии применения

  • распознавание нот с изображения партитуры
  • оцифровка печатных нотных страниц
  • получение текстового представления нотной записи
  • пакетная обработка страниц музыкальных партитур

Ограничения

Качество заметно падает на партитурах, где нотные станы организованы неаккуратно или нестандартно. Скорость зависит от оборудования; приведённая оценка около 10 секунд на страницу относится к RTX 3080.

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

EVALUATION :

Here is a comparison benchmark with audiveris.

omr_vs_audiveris

Those results were produced with mir-evaluation software. Here is the list of the piece use with the script used to compare the musicxml files :

The Entertainer Prelude in D-Major / Scriabin Six Dances in Bulgarian Rythm Gnosienne No.1 Traumerei / Schumann La Campanella Sonate No. 14, “Moonlight” 3rd Movement Clair de Lune Waltz No.7 in C sharp minor Op.64 No.2 / Frédéric Chopin Fugue No. 2 BWV 847 in C Minor

Here is the python script used for the comparisons and scoring here

A note on those results show clear sign of how the model can be good but the limitations it has too. On scores with no clean arrangment following the stave the model suffers a lot ! Beceause the model has been trained to recognize stave by stave it misses a lot if it's not proprely organized. That's why i picked a variety of scores in the benchmark to show that without cherry picking the model performance can be very low.

USING IT:

On this repo you will find a tool to use the omr model as well as information on how to install it. Since it's a model how fast it is depends a lot of your hardware too. On my gpu on normal mode it's 3* times faster than audiveris with an average of about 10 seconds per page. Those exemples is with a rtx 3080 gpu. But it should run well on any gpu.

And What?

On this section i will be discussing as of how the model could be better with this approach of a davit base model with dora training for omr purposes and how it could get better right now. First for a bit of context i am no scientist i am a student so i was limited in ressources for the training itself. So an individual or a proper team with the ressources could probably (like a cluster of gpu) produce a better model easily. Second the model is quite slow and is part due to a choice i made during the choice of a dora rank for the model. Right now 64 is used but 32 would be enough and could lead to 30-40% improvments in inference speed. I also think that the model can get extra better with help of vision where it struggles or just a different approach that my stave by stave basis. Any training code i produced for training the model will be on this repo there is also all my architecturals choices and the research papers i used. I hope that a better model can be produced and/or someone implement the model x vision too make the accuracy even better !

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура clarity-omr неизвестна transformers в образе рантайма.

Класс архитектуры
DaViT_RoPE_Decoder
Ревизия весов
ee14c1e

0 моделей