metadata

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:
```
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

Установка
Скопируйте mns.traineddata в каталог tessdata (C:\Program Files\Tesseract-OCR\tessdata или /usr/share/tesseract-ocr/5/tessdata).

Запуск OCR

tesseract <image> <output> -l mns --oem 1 --psm 11

Пример:

tesseract images/toc.png images/toc -l mns --psm 11 pdf
pdftotext -layout images/toc.pdf images/toc.txt

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

Лицензия

Apache 2.0