NuosuBburma OCR
规范彝文 OCR。 输入一张图片，输出规范彝文、汉字、拉丁字母、数字和标点的 Unicode 文本。
概览
| 项目 | 内容 |
|---|---|
| 基座模型 | PaddleOCR-VL-1.6（0.9B） |
| 微调方式 | 两阶段 LoRA，权重已合并为单一模型 |
| 支持文字 | 规范彝文、汉字、拉丁字母、数字、标点 |
| 输入 | 单行、文本区域、整页、PDF 渲染页、拍摄图片 |
| 推理 | 最终权重已合并，无需额外加载 adapter |
| 评估集 | 1,030 张真实扫描 / 拍摄图片（519 页 + 511 区域），不含合成数据 |
评估结果
指标为逐样本平均文本误差 NED（越低越好）。主指标为按模型原始输出计算的总 NED 与彝文 NED；去空白和规范化结果仅作辅助参考。评估集为 1,030 张真实图片。
| 指标 | 数值 | 说明 |
|---|---|---|
| 总 Avg NED | 0.0474 | 主指标，按模型原始输出计算 |
| 彝文 Avg NED | 0.0432 | 主指标，仅统计规范彝文字符 |
| 去空白 Avg NED | 0.0399 | 辅助参考，剔除空白与换行差异 |
| 规范化后 Avg NED | 0.0346 | 辅助参考，NFKC 兼容规范化 |
| 完全正确样本 | 333 张（32.3%） | 1,030 张中 333 张与标准答案逐字一致 |
评估集为 519 张整页 + 511 张区域 / 行图，共 1,030 张。其中书籍整页逐字一致率 54 / 437（12.4%），书籍区域 228 / 350（65.1%）；整页与区域难度不同，不宜合并成单一“整页”指标看。
分场景 / 难度
下列 NED 均在去空白口径（0.0399）下、按采集场景和难度统计整样本 NED。分类图见 分类评估分析。
| 采集场景 | 样本 | NED |
|---|---|---|
| 书籍扫描 | 787 | 0.0259 |
| 屏幕拍照 | 164 | 0.0393 |
| 手写拍照 | 70 | 0.2000 |
| 实景拍照 | 9 | 0.0247 |
| 难度 | 样本 | NED |
|---|---|---|
| 低 | 271 | 0.0163 |
| 中 | 501 | 0.0239 |
| 高 | 258 | 0.0957 |
怎么读： 书籍扫描是当前最可靠的适用范围；手写拍照是最明显的短板。少数带装饰图案、部首检字表或屏幕摩尔纹的页面会触发异常生成，明显抬高总体误差——这类页面清单与成因见上文分析文档。实景拍照仅 9 张，不足以外推一般实景能力。
训练方法
两阶段连续 LoRA 微调，最终合并为单一模型；两阶段的训练数据均独立合成。
- 通用混合文字适配。 用合成的规范彝文、汉字与混排图片建立端到端识别能力，覆盖多字体、多版式与不同图像清晰度。
- 形近字专项继续微调。 从第一阶段导出的模型继续训练，加入多字体、清晰与旧化条件下的彝文形近字 A/B 对照图片，并保留第一阶段通用样本 replay。
训练全程不使用评估图片、评估标准答案、模型在评估集上的输出或评估统计来制作或挑选训练数据。完整训练策略、消融边界与训练数据构建见 GitHub 训练文档。
使用
hf download nanxidajun/NuosuBburma-OCR \
--repo-type model \
--local-dir models/NuosuBburma-OCR
支持单行、文本区域和整页图片输入。书籍扫描与清晰印刷最可靠；照片、手写与复杂版式建议人工复核。
使用边界
- 输出是 OCR 初稿，不是自动校对或翻译结果。
- 形近字专项微调降低了总体错误，但未解决全部形近字，个别高频混淆仍存在。
- 严重倾斜、反光、遮挡、弯曲、低清与复杂版式仍可能影响结果。
- 约 0.9B 参数的高精度参考模型，尚未针对移动端优化。
许可
基于 PaddleOCR-VL-1.6 微调发布，上游在固定版本 66317acc4c9fc17bd154591ce650735cd2855f3e 处核验为 Apache-2.0。使用时需同时遵守上游项目与数据来源的相关许可。