Розробка OCR-системи розпізнавання тексту на зображеннях

Клієнт попросив розпізнавати рукописні медичні рецепти з фотографій — точність готових рішень не перевищувала 60%. Типова ситуація: OCR-пайплайн дає збій на нахилених або засвічених знімках, а специфічні терміни (назви ліків) спотворюються. Ми — команда AI-інженерів з 5+ роками досвіду в комп'ютерному зорі, яка реалізувала понад 50 проєктів з розпізнавання тексту — зібрали кастомну OCR-модель, яка підняла точність до 93%. Розповідаємо, як влаштований сучасний OCR і як ми його адаптуємо під бізнес-завдання. Наші клієнти економлять до 40% бюджету (до $15,000 на рік) на обробці документів завдяки автоматизації.

OCR (Optical Character Recognition) — вилучення тексту із зображень. Сучасний пайплайн складається з трьох етапів: детекція текстових областей → випрямлення тексту (rectification) → розпізнавання символів. Кожен етап впливає на підсумкову точність, і слабка ланка в будь-якому місці погіршує результат. Ми використовуємо PaddleOCR як базовий фреймворк у 80% проєктів для кирилиці — він дає найкращий баланс швидкості та якості серед open-source рішень. PaddleOCR працює в 2-3 рази швидше за EasyOCR на CPU.

Який OCR-фреймворк обрати для кирилиці?

Ми перебрали всі популярні open-source рішення. Для російської мови в кожного свої сильні сторони:

• PaddleOCR (PP-OCRv4) — точність 92.8% на ICDAR2015, найкраща підтримка кирилиці серед open-source. Підходить для production: швидко працює на CPU, легко донавчається.
• EasyOCR — простий API, але для російської точність на 5-10% нижча, а швидкість на CPU — у 2-3 рази повільніше (PaddleOCR відповідно швидший).
• TrOCR (Microsoft) — transformer-based, дає CER 2.89% на друкованому тексті. Але потребує GPU, а для кирилиці потрібне донавчання.
• Tesseract 5 — класика, налаштовується під будь-який шрифт, але без кастомного тренінгу програє PaddleOCR на складних документах.

Згідно з офіційним бенчмарком, PaddleOCR показує точність 92.8% на ICDAR2015 (PaddleOCR GitHub).

Чому важлива попередня обробка зображень?

Якість OCR безпосередньо залежить від того, що подається на вхід моделі. Фотографія з мобільного телефону — низький контраст, шум, нахил. Ми застосовуємо ланцюжок перетворень:

def preprocess_for_ocr(image: np.ndarray) -> np.ndarray:
    # Виправлення нахилу (deskewing)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    angle = detect_skew_angle(gray)
    if abs(angle) > 0.5:
        image = rotate_image(image, -angle)

    # Видалення шуму
    denoised = cv2.fastNlMeansDenoisingColored(image, h=10)

    # Підвищення контрасту (CLAHE)
    lab = cv2.cvtColor(denoised, cv2.COLOR_BGR2LAB)
    l, a, b = cv2.split(lab)
    clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8))
    l = clahe.apply(l)
    denoised = cv2.cvtColor(cv2.merge([l, a, b]), cv2.COLOR_LAB2BGR)

    return denoised

Навіть простий deskew піднімає accuracy на 3-5%. Для старих сканів із жовтим фоном використовуємо адаптивну бінаризацію — Otsu або Sauvola. Попередня обробка особливо критична для рукописного тексту: вона підвищує точність розпізнавання на 15-20%. Наша кастомна OCR-модель використовує попередню обробку зображень, корекцію помилок OCR та донавчання OCR для досягнення високої точності.

Як ми робимо: кейс розпізнавання медичних рецептів

Розгорнемо один реальний проєкт нашого клієнта з нашої практики. Завдання: приймати фото рецептів з мобільного додатку, розпізнавати назву ліків, дозування та інструкцію. Проблеми: рукописний текст лікарів, розмиті знімки, накладення штампів.

Рішення:

1. Попередня обробка: CLAHE + бінаризація + видалення тіней через морфологію.
2. Детекція: донавчена PaddleOCR detection model на 2000 розмічених рецептах (розмітка bbox).
3. Розпізнавання: recognition model на основі PP-OCRv4, донавчена на 50000 синтетичних рецептах (згенеровані з різними почерками).
4. Постобробка: словник ліків (10000 найменувань) + LanguageTool для корекції помилок OCR + LLM для контекстної корекції (плутанина 0/O).

Результат: точність на тестовій вибірці — 93% (Character Error Rate 0.07). Час обробки одного зображення — 1.5 секунди на CPU. Для порівняння: Tesseract 5 без донавчання дав би близько 40-50% на таких даних — наш пайплайн виявився в 2 рази точнішим.

Процес роботи

Будь-який проєкт з OCR у нас проходить 5 етапів:

1. Аналітика: оцінка даних, типові дефекти, доменний словник.
2. Проєктування: вибір фреймворку, архітектура пайплайну (черги, кешування).
3. Реалізація: написання коду, донавчання моделей, інтеграція з вашою системою.
4. Тестування: вимірювання точності на валідаційній вибірці, A/B тест на бойових даних.
5. Деплой та підтримка: упаковка в Docker, REST API або gRPC, моніторинг метрик.

Що входить в роботу

• Розгорнута документація пайплайну з описом всіх компонентів.
• Навчена модель (weights + model card).
• Вихідний код з інструкцією по запуску.
• Інтеграція з вашим сховищем (S3, MinIO) та чергами (RabbitMQ, Kafka).
• Навчання вашої команди роботі з системою.
• Гарантія на точність (фіксуємо метрики в договорі).

Терміни

Вартість розраховується індивідуально після аналізу даних. Отримайте консультацію — оцінимо ваш проєкт за один день. Зв'яжіться з нами, щоб обговорити деталі та приблизну вартість.

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.