/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Базовая модель
tridis_HTR
Библиотека
transformers
Опубликована
10 окт 2024

trocr-essoins-middle-latin

Изображение и текст → текст3 профессии

Модель распознаёт отдельные строки средневековых английских документов на латинском языке с изображений рукописей письмом Anglicana.

111скачиваний за 30 дней2лайкавеса обновлены23 сен 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 «Изображение → текст» — 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

Модель распознавания рукописного текста создана Jonas Widmer, Christopher Kuhlmann и Melvin Wilde в рамках Flow-Project. Она дообучена на базе magistermilitum/tridis_HTR v1 и предназначена для чтения отдельных строк на изображениях средневековых документов из Англии, преимущественно латинских текстов XIII–XIV веков письмом Anglicana (Court Hand). В обучающих материалах также встречаются элементы среднеанглийского и англо-нормандского языков.

Модель построена на архитектуре VisionEncoderDecoderModel и принимает изображение строки, выдавая распознанный текст; страницу целиком следует предварительно сегментировать на строки. На тестовом наборе из 2288 строк CER составил 6,22%, однако модель проверена ограниченно. Особенно часто ошибается в пунктуации: указанный CER для неё — 44,44%, главным образом из-за пропуска точек. Лицензия — MIT.

Сценарии применения

  • распознавание латинских строк в средневековых судебных документах
  • оцифровка рукописей XIII–XIV веков из Англии
  • транскрипция текста письмом Anglicana (Court Hand)
  • подготовка строк рукописного текста для исторического анализа

Ограничения

Модель принимает только изображения отдельных строк, поэтому страницы нужно предварительно сегментировать. Она ограниченно протестирована и часто ошибается в пунктуации, особенно пропуская точки.

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

Part of the developments within the Flow-Project. Developed by Jonas Widmer, Christopher Kuhlmann, and Melvin Wilde.

Base model: magistermilitum/tridis_HTR v1

Train Lines: 15356

Eval Lines: 394

Test Lines: 2288

Epochs: 14.1667 / 20

Eval CER: 0.0544

Test CER: 0.0622

CERberus on GitHub with explanations
CERberus gets 2288 lines of the test set and evaluates them.

MetricValue
Character Error Rate6.22
Number of Correct Characters186998
Number of Substitutions5425
Number of Insertions2933
Number of Deletions3849
Total Character Count196272
Original Lines Count2288
Discarded Lines Count0
BlockCountCorrectIncorrectCorrect RatioIncorrect Ratio
Digits000nannan
Lowercase Latin alphabet154731147241749095.164.84
MUFI Glyphs000nannan
Punctuation94544.4455.56
Uppercase Latin alphabet6883645043393.716.29

The handwritten texts in Latin (with some Middle-English and Anglo-Norman wording) that were used for training are from the 13th and 14th centuries. They come from England and were written in 'Court Hand', also known as 'Anglicana'. They come from the 'Court of Common Pleas', the second highest court of the time, and deal primarily with civil disputes, such as inheritances or dowries, and from the Justices, which also dealt with civil pleas, but covered crown pleas as well.

The model has not been extensively tested.

Errors often occur in the Punctuation, which itself has an error rate of 44.44% which mostly consits of missed ‧ dots.

Potential biases are still to be identified.

Input: one line, not a page

This is a VisionEncoderDecoderModel for line images: it reads one cropped text line per call, which is also what the CER above was measured on. A whole page is not an input it has — pass one and it returns a fragment of it.

Segment the page first (kraken, eScriptorium, Transkribus, or any line segmenter) and pass the crops one at a time. In the DH Bern serving stack the model is registered level: line and the gateway segments with kraken before calling it; the reasoning and the measurements behind that rule are in thodel/serving-atr-inference#165.

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
9f50500

0 моделей