Характеристики

Лицензия: GPL 3.0
Библиотека: candle
Опубликована: 10 мар 2026

Ссылки

Hugging Face

mit48px-ocr

mayocream

Описание изображенийИзображение → текст3 профессии

MIT 48px OCR распознаёт текстовые строки в обрезанных изображениях комиксов и предсказывает цвета текста и фона.

72скачиваний за 30 дней1лайквеса обновлены12 июл 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

MIT 48px OCR — конвертированная в SafeTensors модель распознавания текста из комиксов, используемая в manga-image-translator и BallonsTranslator. Она принимает уже обнаруженные и обрезанные строки текста, нормализованные до высоты 48 пикселей, и распознаёт их; также предсказывает цвета переднего и заднего плана. Модель не ищет текстовые области на целой странице.

Архитектура включает визуальный экстрактор признаков ConvNeXt и энкодер Transformer из четырёх слоёв вместе с декодером из пяти слоёв. Размер эмбеддинга — 320, предусмотренная максимальная ширина входа — 8100 пикселей, максимальная длина последовательности — 255 токенов, стандартный beam size — 5. Алфавит токенизатора заявлен как многоязычный, но конкретный охват языков не перечислен.

Результат зависит от качества обрезки, масштаба текста, поддержки языка в алфавите и степени повреждения изображения. Сведения об обучающих данных и метриках оценки отсутствуют. Репозиторий содержит конвертированные веса SafeTensors и распространяется по лицензии GPL-3.0.

Сценарии применения

распознавание текста в обрезанных строках манги
извлечение реплик из комиксов после обнаружения текстовых областей
распознавание многоязычных надписей в комиксах
предсказание цветов текста и фона для обработки комиксов

Ограничения

Модель требует уже обнаруженных, обрезанных и нормализованных текстовых областей и не находит текст на странице. Качество зависит от подготовки фрагмента, языкового охвата алфавита и повреждений изображения; метрики оценки и детали обучающих данных не приведены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей I.8Универсальные способностиИзображения и компьютерное зрениеAI помогает извлекать визуальные признаки, изменять изображения и создавать новые визуальные материалы.17 задач6 331модель I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MIT 48px OCR

A SafeTensors conversion of the 48-pixel OCR model used by zyddnys/manga-image-translator and BallonsTranslator. The model recognizes cropped comic text lines and also predicts foreground and background colors.

Model details

Input text height: 48 pixels
Maximum configured width: 8100 pixels
Visual backbone: ConvNeXt feature extractor
Sequence model: four-layer Transformer encoder and five-layer Transformer decoder
Embedding dimension: 320
Attention heads: 4
Default beam size: 5
Default maximum sequence length: 255

Files

model.safetensors: converted model weights
config.json: architecture and decoding configuration
alphabet-all-v7.txt: tokenizer alphabet and special-token vocabulary

Token IDs are 0 for padding, 1 for beginning-of-sequence, and 2 for end-of-sequence. <SP> represents a space.

Intended use and limitations

The model expects already detected, cropped, and normalized comic text regions. It does not locate text on a page. Recognition quality depends strongly on crop quality, text scale, language coverage in the supplied alphabet, and image degradation. Training data details and evaluation metrics are not included with this conversion.

License

GPL-3.0, following the upstream manga-image-translator and BallonsTranslator implementations.

Как запустить

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

GPU в ailist

Универсальный рантайм · candle

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов: 205395b