Разработка HTR-систем для рукописных документов: TrOCR и PaddleOCR

Рукописный текст — значительно сложнее машинопечатного: бесконечное разнообразие почерков, лигатуры (слитное написание), нечёткие границы между символами, вариативность нажима и угла. Мы сталкиваемся с этим на каждом проекте. Клиенты часто приходят с задачей: нужно распознать тысячи заполненных от руки анкет за месяц с ошибкой не более 5%. Стандартные OCR-системы тут бессильны. За 5 лет мы реализовали более 30 проектов по распознаванию рукописного текста для архивных, медицинских и корпоративных заказчиков. Наш опыт подтверждает: правильная предобработка и выбор архитектуры решают 80% успеха. В одном из проектов для медицинского центра мы заменили ручной ввод 5000 карт в день на автоматическое распознавание — это сократило затраты на обработку документов более чем на 60%.

Как выбрать модель для русского рукописного текста?

Выбор архитектуры зависит от языка и объёма данных. TrOCR (Microsoft) — transformer encoder-decoder для OCR. Encoder: ViT-обработка изображения, Decoder: autoregressive генерация текста. State-of-the-art на IAM handwriting dataset: CER 2.89% (large model). Однако TrOCR обучен преимущественно на английском, поэтому для кириллицы лучше использовать PaddleOCR.

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

class HandwritingRecognizer:
    def __init__(self, model_name: str = 'microsoft/trocr-large-handwritten'):
        self.processor = TrOCRProcessor.from_pretrained(model_name)
        self.model = VisionEncoderDecoderModel.from_pretrained(model_name)
        self.model.eval()
        self.device = 'cuda' if torch.cuda.is_available() else 'cpu'
        self.model.to(self.device)

    @torch.no_grad()
    def recognize(self, image: Image.Image) -> str:
        """Распознавание одной строки текста"""
        pixel_values = self.processor(
            images=image,
            return_tensors='pt'
        ).pixel_values.to(self.device)

        generated_ids = self.model.generate(
            pixel_values,
            max_new_tokens=128,
            num_beams=4
        )

        return self.processor.batch_decode(
            generated_ids,
            skip_special_tokens=True
        )[0]

PaddleOCR для рукописного кириллического текста — существенно лучше, чем TrOCR:

from paddleocr import PaddleOCR

ocr = PaddleOCR(
    use_angle_cls=True,
    lang='ru',
    rec_algorithm='SVTR_LCNet',
    rec_model_dir='./models/handwriting_rec'
)

Почему предобработка важнее архитектуры?

Рукописный текст требует более агрессивной предобработки. Удаление линованного фона, бинаризация, очистка артефактов — эти шаги критически влияют на итоговый CER. Ниже — типовой пайплайн.

import cv2
import numpy as np
from skimage import morphology

def preprocess_handwriting(image: np.ndarray) -> np.ndarray:
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # Удаление фоновых линий (линованная бумага)
    horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (40, 1))
    horizontal_lines = cv2.morphologyEx(gray, cv2.MORPH_OPEN, horizontal_kernel)
    gray = cv2.subtract(gray, horizontal_lines)

    # Otsu бинаризация
    _, binary = cv2.threshold(gray, 0, 255,
                               cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

    # Удаление маленьких артефактов
    cleaned = morphology.remove_small_objects(
        binary.astype(bool), min_size=50
    ).astype(np.uint8) * 255

    return cleaned

Как мы проводим fine-tuning модели?

Для адаптации под корпоративные данные мы используем следующий пайплайн:

1. Разметка данных. Собираем 500–2000 строк рукописного текста, транскрибируем в Label Studio. Каждая строка — отдельный файл с текстовой меткой.
2. Аугментация. Применяем случайный сдвиг, поворот до 5°, масштабирование 0.9–1.1, добавление шума — это повышает устойчивость к вариациям почерка.
3. Fine-tuning. Для PaddleOCR используем RecModel с SVTR_LCNet, batch size 32, learning rate 1e-4, 100 эпох. Мониторим CER на валидации.
4. Валидация. Тестируем на 10% данных (не участвовавших в обучении). Если CER выше 10%, добавляем данных или меняем гиперпараметры.
5. Экспорт. Модель конвертируется в ONNX или сохраняется в формате PaddleOCR для инференса.

Сегментация строк для многострочных документов

Перед распознаванием многострочный документ нужно разбить на строки:

def segment_lines(binary_image: np.ndarray) -> list[np.ndarray]:
    """Горизонтальная проекция для сегментации строк"""
    horizontal_projection = binary_image.sum(axis=1)

    threshold = horizontal_projection.max() * 0.05
    in_line = horizontal_projection > threshold

    lines = []
    start = None
    for i, active in enumerate(in_line):
        if active and start is None:
            start = max(0, i - 5)
        elif not active and start is not None:
            end = min(len(in_line), i + 5)
            line_img = binary_image[start:end, :]
            if end - start > 10:
                lines.append(line_img)
            start = None

    return lines

Дообучение на корпоративных рукописных данных

Для специфического почерка (медицинские карты конкретной больницы, бланки предприятия) требуется fine-tuning. Без этого CER может достигать 20-30%, что неприемлемо для документооборота. Мы гарантируем, что после дообучения на 500–2000 строк точность вырастет до 90-95%.

• Разметка 500–2000 строк через Label Studio или CVAT.
• Fine-tuning TrOCR или PaddleOCR rec_model.
• CER снижается с 15–25% до 5–10% на domain-specific данных.

Что такое CER и почему это критично?

CER (Character Error Rate) — доля ошибок на уровне символов. Для бизнес-процессов даже 5% может означать сотни неправильно распознанных цифр в отчётах. В одном из проектов медицинского центра мы снизили CER с 18% до 4%, применив комбинацию адаптивной бинаризации и fine-tuning PaddleOCR. Результат — автоматическая обработка 5000 карт в день вместо ручного ввода, и сокращение затрат на обработку документов более чем на 60%. Эталонные значения CER на публичных датасетах (IAM Handwriting Database) составляют ~2.89%, но на реальных данных требуется дообучение.

Как часто нужно обновлять модель?

Если почерк операторов меняется или добавляются новые поля, модель рекомендуется дообучать раз в полгода. Мы предоставляем пайплайн инкрементального обучения, который позволяет обновить веса за несколько часов без полного ретренинга. При значительном изменении трафарета документов (например, переход на новый бланк) достаточно добавить 200–500 новых размеченных строк и запустить fine-tuning.

Что входит в работу

• Анализ требований и тестовый прогон на 50 страницах.
• Выбор архитектуры (TrOCR / PaddleOCR / комбинированная).
• Разработка пайплайна предобработки и сегментации.
• Дообучение модели (если нужно) с валидацией.
• Интеграция через REST API или gRPC.
• Документация и обучение операторов.
• Поддержка 3 месяца после внедрения.

Сроки и стоимость

Стоимость рассчитывается индивидуально — зависит от объёма данных, требуемой точности и сложности интеграции. Оценка проекта — бесплатно. Свяжитесь с нами для тестового прогона на ваших образцах. Наши инженеры проанализируют ваши рукописные документы и предложат оптимальное решение. Получите консультацию уже сегодня.

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.