Розробка HTR-систем для рукописних документів: TrOCR і PaddleOCR

Рукописний текст — значно складніший за машинодрукований: нескінченна різноманітність почерків, лігатури (злите написання), нечіткі межі між символами, варіативність натиску та кута. Ми стикаємося з цим на кожному проєкті. Клієнти часто приходять із задачею: потрібно розпізнати тисячі заповнених від руки анкет за місяць з помилкою не більше 5%. Стандартні OCR-системи тут безсилі. За 5 років ми реалізували понад 30 проєктів із розпізнавання рукописного тексту для архівних, медичних та корпоративних замовників. Наш досвід підтверджує: правильна передобробка та вибір архітектури вирішують 80% успіху. В одному з проєктів для медичного центру ми замінили ручне введення 5000 карт на день на автоматичне розпізнавання — це скоротило витрати на обробку документів більш ніж на 60%.

Як вибрати модель для російського рукописного тексту?

Вибір архітектури залежить від мови та обсягу даних. TrOCR (Microsoft) — transformer encoder-decoder для OCR. Encoder: ViT-обробка зображення, Decoder: autoregressive генерація тексту. State-of-the-art на IAM handwriting dataset: CER 2.89% (large model). Однак TrOCR навчений переважно на англійській, тому для кирилиці краще використовувати 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:
        """Розпізнавання одного рядка тексту"""
        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 кириличного тексту — суттєво кращий, ніж TrOCR:

from paddleocr import PaddleOCR

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

Чому передобробка важливіша за архітектуру?

Рукописний текст вимагає більш агресивної передобробки. Видалення лінованого фону, бінаризація, очищення артефактів — ці кроки критично впливають на підсумковий CER. Нижче — типовий 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)

    # Видалення фонових ліній (лінований папір)
    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 бінаризація
    _, binary = cv2.threshold(gray, 0, 255,
                               cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

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

    return cleaned

Як ми проводимо fine-tuning моделі?

Для адаптації під корпоративні дані ми використовуємо наступний пайплайн:

1. Розмітка даних. Збираємо 500–2000 рядків рукописного тексту, транскрибуємо в Label Studio. Кожен рядок — окремий файл із текстовою міткою.
2. Аугментація. Застосовуємо випадковий зсув, поворот до 5°, масштабування 0.9–1.1, додавання шуму — це підвищує стійкість до варіацій почерку.
3. Fine-tuning. Для PaddleOCR використовуємо RecModel з SVTR_LCNet, batch size 32, learning rate 1e-4, 100 епох. Моніторимо CER на валідації.
4. Валідація. Тестуємо на 10% даних (не брали участі в навчанні). Якщо CER вище 10%, додаємо даних або змінюємо гіперпараметри.
5. Експорт. Модель конвертується в ONNX або зберігається у форматі PaddleOCR для інференсу.

Сегментація рядків для багаторядкових документів

Перед розпізнаванням багаторядковий документ потрібно розбити на рядки:

def segment_lines(binary_image: np.ndarray) -> list[np.ndarray]:
    """Горизонтальна проекція для сегментації рядків"""
    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

Донавчання на корпоративних рукописних даних

Для специфічного почерку (медичні карти конкретної лікарні, бланки підприємства) потрібне fine-tuning. Без цього CER може сягати 20-30%, що неприйнятно для документообігу. Ми гарантуємо, що після донавчання на 500–2000 рядків точність зросте до 90-95%.

• Розмітка 500–2000 рядків через Label Studio або CVAT.
• Fine-tuning TrOCR або PaddleOCR rec_model.
• CER знижується з 15–25% до 5–10% на domain-specific даних.

Що таке CER і чому це критично?

CER (Character Error Rate) — частка помилок на рівні символів. Для бізнес-процесів навіть 5% може означати сотні неправильно розпізнаних цифр у звітах. В одному з проєктів медичного центру ми знизили CER з 18% до 4%, застосувавши комбінацію адаптивної бінаризації та fine-tuning PaddleOCR. Результат — автоматична обробка 5000 карт на день замість ручного введення, і скорочення витрат на обробку документів більш ніж на 60%. Еталонні значення CER на публічних датасетах (IAM Handwriting Database) становлять ~2.89%, але на реальних даних потрібне донавчання.

Як часто потрібно оновлювати модель?

Якщо почерк операторів змінюється або додаються нові поля, модель рекомендується донавчати раз на півроку. Ми надаємо пайплайн інкрементального навчання, який дозволяє оновити ваги за кілька годин без повного ретренінгу. При значній зміні трафарету документів (наприклад, перехід на новий бланк) достатньо додати 200–500 нових розмічених рядків і запустити fine-tuning.

Що входить у роботу

• Аналіз вимог і тестовий прогін на 50 сторінках.
• Вибір архітектури (TrOCR / PaddleOCR / комбінована).
• Розробка пайплайну передобробки та сегментації.
• Донавчання моделі (якщо потрібно) з валідацією.
• Інтеграція через REST API або gRPC.
• Документація та навчання операторів.
• Підтримка 3 місяці після впровадження.

Терміни та вартість

Вартість розраховується індивідуально — залежить від обсягу даних, необхідної точності та складності інтеграції. Оцінка проєкту — безкоштовно. Зв'яжіться з нами для тестового прогону на ваших зразках. Наші інженери проаналізують ваші рукописні документи та запропонують оптимальне рішення. Отримайте консультацію вже сьогодні.

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.