/ Модель

Характеристики

Контекст
512 токенов
Лицензия
CC BY-NC 4.0
Архитектура
vision-encoder-decoder · dense
Базовая модель
trocr-base-handwritten-hist-swe-2
Библиотека
transformers
Опубликована
4 сен 2026

museumscat-trocr-glyph-scorer

Описание изображенийИзображение → текст3 профессии

Модель TrOCR оценивает, какая из предложенных строк названия места лучше соответствует изображению рукописного фрагмента.

15скачиваний за 30 дней0лайковвеса обновлены4 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 «Распознавание текста» — 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

MuseumSCAT TrOCR Glyph Scorer — вспомогательная модель распознавания рукописного текста на основе TrOCR от octavigrau. Она предназначена для оценки и ранжирования предложенных вариантов названия места по изображению уже выделенного фрагмента рукописи: модель оценивает среднее логарифмическое правдоподобие строки и помогает выбрать вариант, лучше согласующийся с видимыми символами. Это encoder-decoder архитектура VisionEncoderDecoderModel, дообученная на базе Riksarkivet/trocr-base-handwritten-hist-swe-2. Обучающая смесь включала 148 размеченных фрагментов MuseumSCAT, синтетические датские названия мест и автоматически псевдоразмеченные изображения. Модель рассчитана на датский и шведский исторический рукописный текст. Лицензия репозитория — CC BY-NC 4.0.

Модель следует применять как сигнал уверенности или в ограниченном механизме исправления, сравнивая кандидатов для одного и того же фрагмента; её оценки не являются калиброванными вероятностями между изображениями. Она не обнаруживает и не выделяет текстовые области, требует заранее подготовленного фрагмента. Объём размеченных данных мал, тестовая оценка основана на небольшом наборе и не характеризует общую точность распознавания рукописей. Варианты использования данных MuseumSCAT также подпадают под условия конкурса и требуют указания организаторов и Национального музея естественной истории Дании.

Сценарии применения

  • ранжирование вариантов транскрипции рукописного названия места
  • оценка уверенности кандидатов, предложенных VLM
  • выбор между вариантами чтения датской музейной этикетки
  • проверка шведской исторической рукописной строки по изображению

Ограничения

Модель ожидает уже выделенный текстовый фрагмент и не выполняет обнаружение текста; её оценки пригодны для сравнения кандидатов для одного изображения и не являются калиброванными вероятностями. Обучающая разметка и оценочный набор невелики, поэтому модель не следует считать универсальным решением для датского рукописного текста.

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

MuseumSCAT TrOCR glyph scorer

This is the final auxiliary handwriting checkpoint used in the fourth-place solution to the MuseumSCAT Specimen Collection Annotation Task.

The model was not used to generate the final locality transcription freely. Its intended use is candidate-conditioned scoring: given a locality crop and several strings proposed by vision-language models, it estimates which candidate is most strongly supported by the visible glyphs. The complete solution code is available in octavigrau/kaggle-museumSCAT.

Base model

The checkpoint was initialized from Riksarkivet/trocr-base-handwritten-hist-swe-2, an Apache-2.0 TrOCR checkpoint for historical Swedish handwriting.

Training data

The final training mixture contained:

  • 148 labeled locality crops from the MuseumSCAT training set;
  • approximately 3,500 synthetic Danish place-name lines rendered with handwriting fonts and image degradation;
  • 1,149 conservatively pseudo-labeled crops from the unlabeled MuseumSCAT test set.

The test pseudo-labels were produced automatically from high-confidence model agreement; they were not manually transcribed. No MuseumSCAT images, crops, labels, or pseudo-label manifests are distributed in this model repository.

The MuseumSCAT competition data is provided under CC BY-NC 4.0. Users should also acknowledge the competition and the Natural History Museum of Denmark as required by the competition rules.

Training

  • encoder frozen;
  • published weights selected at epoch 3 of a restarted run using candidate-selection accuracy; the run continued through epoch 7 before ending;
  • AdamW, learning rate 2e-5, weight decay 0.01;
  • batch size 16;
  • rotation, contrast, brightness and sharpness augmentation;
  • Transformers 4.46.3.

The checkpoint was selected using candidate-selection accuracy. Adding the pseudo-labeled crops moved the held-out result from 33/40 to 34/40 selections, a noise-sized improvement. In the competition pipeline, replacing the VLM medoid broadly with the TrOCR choice was harmful; the model was useful as a confidence signal and inside a strict correction gate.

Candidate scoring

For an image crop $x$ and candidate string $y$, the score is mean next-token log-likelihood:

$$ s(y\mid x)=\frac{1}{|y|}\sum_t \log p(y_t\mid y_{<t},x). $$

import torch
from PIL import Image
from transformers import TrOCRProcessor, VisionEncoderDecoderModel

checkpoint = "octavigrau/museumscat-trocr-glyph-scorer"
processor = TrOCRProcessor.from_pretrained(checkpoint)
model = VisionEncoderDecoderModel.from_pretrained(checkpoint).eval()

@torch.inference_mode()
def score_candidate(image: Image.Image, candidate: str) -> float:
    pixels = processor(images=image.convert("RGB"), return_tensors="pt").pixel_values
    target = processor.tokenizer(candidate, return_tensors="pt").input_ids
    encoded = model.encoder(pixel_values=pixels).last_hidden_state
    logits = model.decoder(input_ids=target, encoder_hidden_states=encoded).logits[:, :-1, :]
    next_tokens = target[:, 1:]
    token_scores = logits.log_softmax(-1).gather(-1, next_tokens.unsqueeze(-1)).squeeze(-1)
    return float(token_scores.mean())

scores = {candidate: score_candidate(Image.open("locality_crop.png"), candidate)
          for candidate in ["Ørslev", "Ørholm"]}
print(max(scores, key=scores.get), scores)

Higher scores are preferred. Scores are meaningful for comparing candidates for the same crop; they should not be interpreted as calibrated probabilities across images.

Limitations

  • The labeled in-domain set contained only 148 crops.
  • The evaluation set was small and designed around candidate-selection failures rather than general handwriting recognition.
  • High-confidence pseudo-labels were mostly easy cases and added little.
  • The checkpoint inherits the biases and vocabulary of a Swedish historical-handwriting base model.
  • It expects an already-localized text crop and is not a detector.
  • It should not be presented as a general Danish HTR benchmark result.

Attribution

  • MuseumSCAT organizers and the Natural History Museum of Denmark for the competition data.
  • The Swedish National Archives and collaborators for the Riksarkivet TrOCR checkpoint.
  • GeoNames supplied a separate CC BY 4.0 gazetteer signal in the full competition solution; GeoNames data was not used to train this checkpoint.

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
c84b5b6

0 моделей