Розпізнавання таблиць зі знімків та PDF: пайплайн під ключ

Типова ситуація: клієнт присилає 500 сторінок відсканованих звітів — таблиці, графіки, хаотичний текст. Звичайний OCR повертає простирадло символів: стовпці змішані, рядки розірвані, структура втрачена. Задача Table Recognition — знайти таблиці та відновити їх сітку. Ми вирішуємо цю задачу за допомогою пайплайну на Table Transformer, camelot та постобробки. Результат — чисті DataFrame, готові для завантаження в базу або Excel.

Ми — команда з 5+ річним досвідом у Computer Vision та NLP. На рахунку — 30+ проєктів з вилучення даних з документів для банків, логістики та рітейлу. Гарантуємо точність >95% на стандартних документах і повну підтримку після впровадження.

Як Table Transformer вирішує задачу розпізнавання таблиць?

State-of-the-art: Table Transformer від Microsoft, заснований на DETR, навчений на PubTables-1M (947k таблиць з наукових публікацій). Детектор знаходить таблиці, структурний розпізнавач відновлює рядки та стовпці. Для кожного боксу ми запускаємо OCR (Tesseract або EasyOCR) для вилучення тексту комірок. Порівняння: Table Transformer кращий за camelot для сканів у 2–3 рази за точністю (93% vs 70%), але потребує GPU.

from transformers import TableTransformerForObjectDetection, DetrImageProcessor
from PIL import Image
import torch

class TableExtractor:
    def __init__(self):
        # Детектор табличок
        self.det_processor = DetrImageProcessor.from_pretrained(
            'microsoft/table-transformer-detection'
        )
        self.det_model = TableTransformerForObjectDetection.from_pretrained(
            'microsoft/table-transformer-detection'
        )

        # Структурний розпізнавач
        self.str_processor = DetrImageProcessor.from_pretrained(
            'microsoft/table-transformer-structure-recognition'
        )
        self.str_model = TableTransformerForObjectDetection.from_pretrained(
            'microsoft/table-transformer-structure-recognition'
        )

    def extract_tables(self, image_path: str) -> list[dict]:
        image = Image.open(image_path).convert('RGB')

        # 1. Детектуємо таблиці
        table_boxes = self._detect_tables(image)

        tables = []
        for box in table_boxes:
            # 2. Кропаємо кожну таблицю
            table_crop = image.crop(box)

            # 3. Розпізнаємо структуру (рядки/стовпці)
            structure = self._recognize_structure(table_crop)

            # 4. Витягуємо текст з комірок через OCR
            cells = self._extract_cell_texts(table_crop, structure)

            tables.append({
                'bbox': box,
                'structure': structure,
                'cells': cells,
                'dataframe': self._cells_to_dataframe(cells)
            })

        return tables

    def _detect_tables(self, image: Image.Image) -> list[tuple]:
        inputs = self.det_processor(images=image, return_tensors='pt')
        with torch.no_grad():
            outputs = self.det_model(**inputs)

        target_sizes = torch.tensor([image.size[::-1]])
        results = self.det_processor.post_process_object_detection(
            outputs, threshold=0.7, target_sizes=target_sizes
        )[0]

        boxes = []
        for label, box in zip(results['labels'], results['boxes']):
            if label == 0:  # table class
                x1, y1, x2, y2 = box.tolist()
                boxes.append((int(x1), int(y1), int(x2), int(y2)))

        return boxes

camelot або pdfplumber: що обрати для вашої задачі?

Для цифрових PDF (не сканів) camelot — найкращий вибір. Lattice-режим працює з таблицями, що мають лінії, stream — з вирівняним текстом. pdfplumber дає гнучкість для змішаних документів, але потребує ручного налаштування. Ми обираємо інструмент під тип документа: для звітів з лініями — camelot lattice, для складних макетів — pdfplumber з кастомними налаштуваннями.

import camelot

def extract_tables_from_pdf(pdf_path: str,
                              pages: str = 'all') -> list:
    # Lattice: для таблиць з явними лініями
    tables_lattice = camelot.read_pdf(
        pdf_path, pages=pages, flavor='lattice'
    )

    # Stream: для таблиць без ліній (вирівняний текст)
    tables_stream = camelot.read_pdf(
        pdf_path, pages=pages, flavor='stream',
        edge_tol=50
    )

    results = []
    for table in tables_lattice:
        if table.accuracy > 80:
            results.append({
                'page': table.page,
                'accuracy': table.accuracy,
                'dataframe': table.df,
                'csv': table.df.to_csv(index=False)
            })

    return results

pdfplumber для змішаних документів

import pdfplumber
import pandas as pd

def extract_tables_pdfplumber(pdf_path: str) -> list[pd.DataFrame]:
    tables = []
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            page_tables = page.extract_tables(
                table_settings={
                    'vertical_strategy': 'lines',
                    'horizontal_strategy': 'lines',
                    'snap_tolerance': 3
                }
            )
            for raw_table in page_tables:
                # Перший рядок як заголовок
                df = pd.DataFrame(raw_table[1:], columns=raw_table[0])
                tables.append(df)

    return tables

Постобробка: очищення даних таблиці

Після вилучення часто потрібне очищення:

def clean_table(df: pd.DataFrame) -> pd.DataFrame:
    # Видалення порожніх рядків та стовпців
    df = df.dropna(how='all').dropna(axis=1, how='all')

    # Об'єднання багаторядкових заголовків
    df.columns = [' '.join(str(c).split()) for c in df.columns]

    # Числові стовпці
    for col in df.columns:
        try:
            df[col] = pd.to_numeric(
                df[col].str.replace(',', '.').str.replace(' ', ''),
                errors='ignore'
            )
        except AttributeError:
            pass

    return df

Процес роботи над проєктом

1. Аналіз документації: вивчаємо структуру вихідних документів, типи таблиць, метадані.
2. Вибір інструменту: підбираємо оптимальну комбінацію (Table Transformer, camelot, pdfplumber) під ваш кейс.
3. Розробка пайплайну: пишемо скрипти детекції, розпізнавання, постобробки.
4. Тестування: прогоняємо на 100+ сторінках, звіряємо accuracy, донавчаємо модель при необхідності.
5. Інтеграція: налаштовуємо експорт у CSV, Excel, базу даних або REST API.
6. Документація та навчання: передаємо код, опис, навчаємо вашу команду.

Що входить в роботу (deliverables)

• Аудит вихідних даних: аналіз типів таблиць, оцінка складності.
• Розробка пайплайну: інференс моделі + постобробка.
• Інтеграція: API / завантаження в БД / інтеграція з 1С або Бітрікс24.
• Тестування та верифікація: звіт по accuracy на вашій вибірці.
• Документація: опис архітектури та інструкція з експлуатації.
• Навчання: 2-3 години онлайн-сесії для ваших інженерів.
• Підтримка: 1 місяць після здачі проєкту.

Терміни та вартість

Вартість розраховується індивідуально — залежить від обсягу документів, складності та необхідності донавчання. Оцінимо проєкт безкоштовно протягом 1 робочого дня. Для старту достатньо кількох зразків документів.

OCR для комірок таблиць: Tesseract vs EasyOCR vs хмарні API

Після того як структура таблиці розпізнана, потрібно витягти текст з кожної комірки. Вибір движка OCR критично впливає на підсумкову точність.

Tesseract — зрілий open-source движок. Добре працює з друкованим текстом на білому фоні. Потребує попередньої обробки: видалення шуму, бінаризація Otsu. Підтримує понад 100 мов через мовні пакети. Швидкість: ~0.1 секунди на комірку на CPU.

EasyOCR — сучасна нейромережева альтернатива. Краще справляється зі складними шрифтами та артефактами сканування. На GPU в 3–4 рази швидше за Tesseract при порівнянній якості. Підтримує російську мову без додаткового налаштування.

AWS Textract / Google Vision API — хмарні рішення. Найкраща точність на складних документах (85–97%), автоматичне розпізнавання структури таблиць. Підходять для пакетної обробки без GPU. Вартість залежить від обсягу сторінок.

Наш підхід: для сканів з хорошою роздільною здатністю (300+ DPI) використовуємо EasyOCR, для складних багатомовних документів — AWS Textract, для on-premise без інтернету — Tesseract з препроцесингом.

Готові взятися за вашу задачу — обговоримо деталі та терміни. Отримайте консультацію з вибору оптимального рішення.

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.