/ Модель

Характеристики

Контекст
131 072 токена
Параметры
318 млн
Лицензия
Apache 2.0
Архитектура
paddleocr_vl · dense
Базовая модель
PaddleOCR-VL
Библиотека
PaddleOCR
Опубликована
5 ноя 2025

PaddleOCR-VL-For-Manga

Генерация текстаТекст → текст3 профессии

Дообученная на данных манги модель PaddleOCR-VL распознаёт японский текст в облачках реплик и фрагментах страниц, включая стилизованные шрифты.

1 885скачиваний за 30 дней136лайковвеса обновлены12 ноя 2025

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

PaddleOCR-VL-For-Manga — модель оптического распознавания текста в изображениях манги, разработанная на основе PaddleOCR-VL и дообученная для японских реплик в облачках и стилизованных шрифтов. Это плотная мультимодальная модель класса PaddleOCRVLForConditionalGeneration с 318,2 млн параметров; она принимает изображения и выдаёт распознанный текст. Контекст составляет до 131 072 токенов. Модель обучалась на Manga109-s и 1,5 млн синтетических примеров; в тесте на фрагментах Manga109-s она показала 70% точности распознавания целых предложений против 27% у исходной PaddleOCR-VL.

Модель предназначена для распознавания японского текста в страницах и фрагментах манги, в том числе при необычном начертании. Её можно использовать через Transformers, PaddleOCR или библиотеки, совместимые с PaddleOCR-VL. Карточка отмечает поддержку японского и многоязычного текста, однако специализация этой версии — японская манга. Лицензия — Apache-2.0.

Ошибки могут затрагивать визуально похожие символы и различия между полноширинными и полуширинными знаками; метрики посимвольной ошибки не всегда отражают практическую эквивалентность таких вариантов.

Сценарии применения

  • распознавание текста в облачках японской манги
  • извлечение реплик из сканов страниц манги
  • оцифровка японских комиксов со стилизованными шрифтами

Ограничения

Возможны ошибки при распознавании визуально похожих символов и вариантов полноширинных и полуширинных знаков. Результат 70% точности целых предложений получен на тестовых фрагментах Manga109-s и не гарантирует такую же точность на других материалах.

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

PaddleOCR-VL-For-Manga

Model Description

PaddleOCR-VL-For-Manga is an OCR model enhanced for Japanese manga text recognition. It is fine-tuned from PaddleOCR-VL and achieves much higher accuracy on manga speech bubbles and stylized fonts.

This model was fine-tuned on a combination of the Manga109-s dataset and 1.5 million synthetic data samples. It showcases the potential of Supervised Fine-Tuning (SFT) to create highly accurate, domain-specific VLMs for OCR tasks from a powerful, general-purpose base like PaddleOCR-VL, which supports 109 languages.

This project serves as a practical guide for developers looking to build their own custom OCR solutions. You can find the training code at the Github Repository, a step by step tutorial is avaiable here.

Performance

The model achieves a 70% full-sentence accuracy on a test set of Manga109-s crops (representing a 10% split of the dataset). For comparison, the original PaddleOCR-VL on the same test dataset achieves 27% full sentence accuracy.

Common errors involve discrepancies between visually similar characters that are often used interchangeably, such as:

  • !? vs. !? (Full-width vs. half-width punctuation)
  • OK vs. ok (Full-width vs. half-width letters)
  • 1205 vs. 1205 (Full-width vs. half-width numbers)
  • “人” (U+4EBA) vs. “⼈” (U+2F08) (Standard CJK Unified Ideograph vs. CJK Radical)

The prevalence of these character types highlights a limitation of standard metrics like Character Error Rate (CER). These metrics may not fully capture the model's practical accuracy, as they penalize semantically equivalent variations that are common in stylized text.

Examples

#ImagePrediction
1ex1心拍呼吸正常値お人よし度過剰値...間違いなくパパッ...!生存確認っ...!
2ex2あとは『メルニィ宇宙鉄道』とか『TipTap』とか全部その人が考えたらしい
3ex3★コミックス20巻1月4日(土)発売〟TVアニメ1月11日(土)放送開始!!
4ex4我々魔女協会が長年追い続ける最大の敵ウロロが「王の魔法」ならあれは世界を削り変える「神の魔法」
5ex5天弓の動きについてくだけじゃ勝てねぇ…!

How to Use

You can use this model with the transformers, PaddleOCR, or any library that supports PaddleOCR-VL to perform OCR on manga images. The model architecture and weights layout are identical to the base model.

If your application involves documents with structured layouts, you can use your fine-tuned OCR model in conjunction with PP-DocLayoutV2 for layout analysis. However, for manga, the reading order and layout are quite different.

Training Details

  • Base Model: PaddleOCR-VL
  • Dataset:
    • Manga109-s: 0.1 million randomly sampled text-region crops (not full pages) were used for training (90% split); the remaining 10% crops were used for testing.
    • Synthetic Data: 1.5 million generated samples.
  • Training Frameworks:
  • Alternatives for SFT:

Acknowledgements

  • Manga109-s dataset, which provided the manga text-region crops used for training and evaluation.
  • PaddleOCR-VL, the base Visual Language Model on which this model is fine-tuned.
  • manga-ocr, used in this project for data processing and synthetic data generation; it also inspired practical workflows and evaluation considerations for manga OCR.

License

This model is licensed under the Apache 2.0 license.

Как запустить

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

GPU в ailist

Универсальный рантайм · PaddleOCR

Нельзя запустить

Модели PaddlePaddle рантайм не загружает.

Класс архитектуры
PaddleOCRVLForConditionalGeneration
Ревизия весов
1e8aa5f

0 моделей