File size: 2,606 Bytes
b057887 d0917d4 b057887 81597d9 9e3fd51 81597d9 9e3fd51 81597d9 b057887 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 |
---
license: apache-2.0
language: mns
pipeline_tag: image-to-text
---
# mns-tesseract
**Дообученный языковой пакет Tesseract для мансийского языка**
Базируется на официальной модели `rus.traineddata` (Tesseract 5) и дообучен на специализированном корпусе сканов со шрифтами размера 12–26 pt.
---
## Информация о модели
- **Имя:** mns-tesseract
- **Базовая модель:** rus.traineddata (Tesseract 5)
- **Размер шрифтов обучения:** 12, 14, 24, 26 pt
- **Кол-во шрифтов:** 40 (список потом)
- **Данные для дообучения:**
- TIFF-изображения (`.tif`) с аннотациями в формате `.box`
- Генерация LSTM-тренировочных примеров через:
```bash
for f in /app/data/ground-truth_other/*.tif; do
tesseract "$f" "${f%.tif}" -l mns --psm 6 lstm.train
done
```
- **Конфигурация PSM:** оптимально `--psm 6` для строкового OCR.
---
## Использование
1. **Установка**
Скопируйте `mns.traineddata` в каталог `tessdata` (`C:\Program Files\Tesseract-OCR\tessdata` или `/usr/share/tesseract-ocr/5/tessdata`).
2. **Запуск OCR**
```bash
tesseract <image> <output> -l mns --oem 1 --psm 11
```
*Пример:*
```bash
tesseract images/toc.png images/toc -l mns --psm 11 pdf
pdftotext -layout images/toc.pdf images/toc.txt
```
3. **Поддерживаемые форматы**
JPEG, TIFF, PNG, BMP и др.
---
## Предобработка для качества
- Удалите фон (thresholding или adaptiveThreshold).
- Уберите шум (медианный фильтр, морфологические операции).
- Повысите контраст и яркость.
---
## Ограничения
- Шрифты вне диапазона 12–26 pt распознаются хуже.
- Модель обучена на кириллице; латинские буквы могут распознаваться некорректно.
---
## Ресурсы
- [Tesseract Command-Line Usage](https://tesseract-ocr.github.io/tessdoc/Command-Line-Usage.html#simplest-invocation-to-ocr-an-image)
- [Training Tesseract 5](https://github.com/tesseract-ocr/tessdoc/blob/main/tess5/TrainingTesseract-5.md)
---
## Лицензия
Apache 2.0 |