OCR математичних формул: Pix2Tex, Mathpix, TrOCR

Уявіть: відсканована стаття з інтегралами, матрицями та підсумовуваннями — звичайний OCR видає кракозябри. Двомірна структура формул, показники степеня, дробові риски та спеціальні символи (∫, ∑, ∂, ∞) не вкладаються в лінійну модель розпізнавання тексту. Результат потрібен у LaTeX або MathML для верстки, аналізу чи публікації. За 5+ років ми реалізували понад 20 проєктів у цій галузі, накопичивши досвід, який дозволяє вирішувати завдання будь-якої складності.

Ми розробляємо промислові системи розпізнавання формул, які конвертують зображення та PDF у математичну розмітку з точністю до 93% BLEU на стандартних бенчмарках. Серед наших клієнтів — видавництва, EdTech-платформи та наукові лабораторії, від простих однорядкових рівнянь до багаторядкових теорем.

Чому розпізнавання формул складніше за звичайний OCR?

Формула — це не рядок символів, а граф із жорсткими позиційними зв'язками. Проблеми: накладені символи (надрядкові/підрядкові індекси), дроби без явних роздільників, матриці з пропусками, рукописні символи з варіативністю. Помилки в розпізнаванні інтеграла або границі ліміту можуть повністю змінити зміст. Тому ми використовуємо спеціалізовані моделі, а не універсальні OCR.

Як ми це робимо: стек і кейс

Для одного EdTech-проєкту ми побудували пайплайн: сегментація формул → розпізнавання Pix2Tex → валідація через компіляцію LaTeX → постобробка за допомогою LLM для виправлення граматичних помилок (fine-tuned LLaMA 3 на датасеті LaTeX). Це знизило кількість некомпільованих формул з 12% до 1.5%. Стек: YOLOv8 для детекції, Pix2Tex як базовий розпізнавач, Hugging Face Transformers, pdflatex для валідації.

Pix2Tex: LaTeX OCR із зображень

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 — комерційний сервіс із кращою якістю розпізнавання на складних багаторядкових формулах і текстах змішаного вмісту:

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)
        }

Власна модель на базі TrOCR

Для специфічних нотацій (хімічні формули, фізичні позначення) ми донавчаємо TrOCR на вашому датасеті:

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), ...]

Як обрати між Pix2Tex та Mathpix?

Pix2Tex виграє за швидкістю: він працює в 2–4 рази швидше за Mathpix (0.3–0.7 сек на GPU проти 1–2 сек), і повністю локально — не потребує інтернету. Mathpix дає вищу точність (93+ BLEU проти 87.3), особливо на рукописних формулах (85% vs 72%) і на складних макетах. Якщо важливий privacy і нетребувальна точність — Pix2Tex. Для високонавантажених видавничих систем із жорсткими вимогами до якості — Mathpix. Ми допомагаємо обрати та за необхідності комбінуємо обидва підходи: Pix2Tex для швидкого попереднього перегляду, Mathpix для фінального вичищення.

Що таке сегментація формул і навіщо вона потрібна?

Перш ніж розпізнавати формули, потрібно їх знайти в документі. Два підходи:

• Детектор формул: YOLOv8 донавчений на датасеті документів із розміченими формулами (inline та display). mAP > 0.90 на тестовому наборі.
• PDF через PyMuPDF: вилучення блоків із формулами через аналіз PDF-структури (для digitally created PDF).

Валідація через компіляцію LaTeX

Ми використовуємо автоматичну перевірку коректності розпізнаної формули через компіляцію 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)

Процес роботи

1. Аналіз: вимірюємо обсяг даних, типи формул, вимоги до точності, обмеження за latency.
2. Вибір підходу: Pix2Tex, Mathpix або кастомна модель (TrOCR + LoRA).
3. Інтеграція: вбудовуємо пайплайн у вашу інфраструктуру (Docker, API, брокери).
4. Тестування: валідація на тестовій вибірці, A/B-тестування.
5. Деплой: розгортання з моніторингом (latency p99, accuracy) та CI/CD.

Що входить у роботу

• Документація архітектури та API.
• Навчальний воркшоп для команди замовника.
• Підтримка 3 місяці: баґфікси, оновлення моделей, консультації.

Орієнтовні строки

Вартість розраховується індивідуально. Зв'яжіться з нами для оцінки проєкту. Ми гарантуємо точність не нижче 90% на вашому корпусі після калібрування та надаємо сертифікованих інженерів із досвідом в OCR та MLOps. Отримайте консультацію: напишіть нам, і ми розберемо ваш кейс.

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

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.