OCR математических формул: Pix2Tex, Mathpix, TrOCR

Представьте: отсканированная статья с интегралами, матрицами и суммированиями — обычный OCR выдаёт кракозябры. Двумерная структура формул, показатели степени, дробные черты и специальные символы (∫, ∑, ∂, ∞) не укладываются в линейную модель распознавания текста. Результат нужен в LaTeX или MathML для вёрстки, анализа или публикации. За 5+ лет мы реализовали более 20 проектов в этой области, накопив опыт, который позволяет решать задачи любой сложности.

Мы разрабатываем промышленные системы распознавания формул, которые конвертируют изображения и PDF в математическую разметку с точностью до 93% BLEU на стандартных бенчмарках. Среди наших клиентов — издательства, EdTech-платформы и научные лаборатории, от простых однострочных уравнений до многострочных теорем.

Почему распознавание формул сложнее обычного OCR?

Формула — это не строка символов, а граф с жёсткими позиционными связями. Проблемы: накладывающиеся символы (надстрочные/подстрочные индексы), дроби без явных разделителей, матрицы с пропусками, рукописные символы с вариативностью. Ошибки в распознавании интеграла или границы предела могут полностью изменить смысл. Поэтому мы используем специализированные модели, а не универсальные OCR.

Как мы это делаем: стек и кейс

Для одного EdTech-проекта мы построили пайплайн: сегментация формул → распознавание Pix2Tex → валидация через компиляцию LaTeX → постобработка с помощью LLM для исправления грамматических ошибок (fine-tuned LLaMA 3 на датасете LaTeX). Это снизило количество некомпилируемых формул с 12% до 1.5%. Стек: YOLOv8 для детекции, Pix2Tex как базовый распознаватель, Hugging Face Transformers, pdflatex для валидации.

Pix2Tex: LaTeX OCR из изображений

from pix2tex.cli import LatexOCR
from PIL import Image

class FormulaRecognizer:
    def __init__(self):
        self.model = LatexOCR()

    def recognize(self, image_path: str) -> dict:
        img = Image.open(image_path)
        latex = self.model(img)

        return {
            'latex': latex,
            'rendered': self._latex_to_mathml(latex)
        }

    def _latex_to_mathml(self, latex: str) -> str:
        try:
            import latex2mathml.converter
            return latex2mathml.converter.convert(latex)
        except Exception:
            return ''

recognizer = FormulaRecognizer()
result = recognizer.recognize('equation.png')
print(result['latex'])  # \frac{d}{dx}\left(x^2\right) = 2x

Альтернатива: Mathpix API

Mathpix — коммерческий сервис с лучшим качеством распознавания на сложных многострочных формулах и текстах смешанного содержания:

import requests
import base64
import json

class MathpixOCR:
    def __init__(self, app_id: str, app_key: str):
        self.app_id = app_id
        self.app_key = app_key
        self.url = 'https://api.mathpix.com/v3/text'

    def recognize_formula(self, image_path: str) -> dict:
        with open(image_path, 'rb') as f:
            image_b64 = base64.b64encode(f.read()).decode()

        response = requests.post(
            self.url,
            headers={
                'app_id': self.app_id,
                'app_key': self.app_key,
                'Content-Type': 'application/json'
            },
            json={
                'src': f'data:image/jpeg;base64,{image_b64}',
                'formats': ['text', 'latex_styled', 'mathml'],
                'math_inline_delimiters': ['$', '$'],
                'math_display_delimiters': ['$$', '$$']
            }
        )

        data = response.json()
        return {
            'latex': data.get('latex_styled', ''),
            'text': data.get('text', ''),
            'mathml': data.get('mathml', ''),
            'confidence': data.get('confidence', 0)
        }

Собственная модель на базе TrOCR

Для специфических нотаций (химические формулы, физические обозначения) мы дообучаем TrOCR на вашем датасете:

from transformers import VisionEncoderDecoderModel, TrOCRProcessor

model = VisionEncoderDecoderModel.from_pretrained('microsoft/trocr-base-stage1')
processor = TrOCRProcessor.from_pretrained('microsoft/trocr-base-stage1')
# Fine-tuning на latex_pairs: [(image, latex_string), ...]

Как выбрать между Pix2Tex и Mathpix?

Pix2Tex выигрывает по скорости: он работает в 2–4 раза быстрее Mathpix (0.3–0.7 сек на GPU против 1–2 сек), и полностью локально — не требуется интернет. Mathpix даёт более высокую точность (93+ BLEU против 87.3), особенно на рукописных формулах (85% vs 72%) и на сложных макетах. Если важен privacy и нетребовательна точность — Pix2Tex. Для высоконагруженных издательских систем с жёсткими требованиями к качеству — Mathpix. Мы помогаем выбрать и при необходимости комбинируем оба подхода: Pix2Tex для быстрого превью, Mathpix для финальной вычистки.

Что такое сегментация формул и зачем она нужна?

Прежде чем распознавать формулы, нужно их найти в документе. Два подхода:

• Детектор формул: YOLOv8 дообученный на датасете документов с размеченными формулами (inline и display). mAP > 0.90 на тестовом наборе.
• PDF через PyMuPDF: извлечение блоков с формулами через анализ PDF-структуры (для digitally created PDF).

Валидация через компиляцию LaTeX

Мы используем автоматическую проверку корректности распознанной формулы через компиляцию pdflatex:

import subprocess
import tempfile
import os

def validate_latex(latex: str) -> bool:
    template = r"""
    \documentclass{article}
    \usepackage{amsmath}
    \begin{document}
    $""" + latex + r"""$
    \end{document}
    """
    with tempfile.NamedTemporaryFile(suffix='.tex', mode='w', delete=False) as f:
        f.write(template)
        tex_path = f.name

    try:
        result = subprocess.run(
            ['pdflatex', '-interaction=nonstopmode', tex_path],
            capture_output=True, timeout=10
        )
        return result.returncode == 0
    except Exception:
        return False
    finally:
        os.unlink(tex_path)

Процесс работы

1. Анализ: замеряем объём данных, типы формул, требования к точности, ограничения по latency.
2. Выбор подхода: Pix2Tex, Mathpix или кастомная модель (TrOCR + LoRA).
3. Интеграция: встраиваем пайплайн в вашу инфраструктуру (Docker, API, брокеры).
4. Тестирование: валидация на тестовой выборке, A/B-тестирование.
5. Деплой: развёртывание с мониторингом (latency p99, accuracy) и CI/CD.

Что входит в работу

• Документация архитектуры и API.
• Обучающий воркшоп для команды заказчика.
• Поддержка 3 месяца: багфиксы, обновления моделей, консультации.

Ориентировочные сроки

Стоимость рассчитывается индивидуально. Свяжитесь с нами для оценки проекта. Мы гарантируем точность не ниже 90% на вашем корпусе после калибровки и предоставляем сертифицированных инженеров с опытом в OCR и MLOps. Получите консультацию: напишите нам, и мы разберём ваш кейс.

Pix2Tex: Lukas Blecher, "Pix2Tex: LaTeX OCR from images", GitHub repository.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.