Какие существуют решения для OCR на русском? Что забыл?

- Tesseract https://github.com/tesseract-ocr/tesseract
- EasyOCR https://github.com/JaidedAI/EasyOCR
- Ocropy https://github.com/ocropus/ocropy https://github.com/jze/ocropus-model_cyrillic
- Asprise http://asprise.com/royalty-free-library/python-ocr-api-overview.html

- FineReader / ABBYY Cloud OCR SDK https://cloud.ocrsdk.com
- Yandex Cloud Vision API https://cloud.yandex.ru/docs/vision/operations/ocr/text-detection
- Google Cloud Vision API https://cloud.google.com/vision/docs/ocr

- Microsoft Office Document Imaging https://t.me/natural_language_processing/15431
- Cuneiform https://launchpad.net/cuneiform-linux

Еще есть бесплатный CuneiForm, на порядок лучше какого-нибудь Tesseract

Они начинали вместе с  Abbyy, но потом сдулись. Но распознаёт хорошо!

Что правда лучше, сто летней давности софтина?

Всем привет! А кто-нибудь работал с Abbyy flexicapture? Или может есть у кого материалы по обучению?

Если найдете лучше из бесплатного, то дайте знать.

https://github.com/ocropus/ocropy
У них есть кириллическая модель
https://github.com/ocropus/ocropy/wiki/Models

http://asprise.com/royalty-free-library/python-ocr-api-overview.html

Recognizes 20+ languages such as English, Spanish, French, German, Italian, Hungarian, Finnish, Swedish, Romanian, Polish, Malay, Arabic, Indonesian, and Russian.

Без торча старые пакеты без перспектив, easyocr хотя бы по тюнить можно

у easy-ocr есть небольшая проблемка, там зависимость детекции текста в виде CRAFT (у которого нет тренировочного кода) и соответственно у самого easy-ocr нет готового тренировочного кода(при желании можно восстановить, там вся суть только в хорошей генерации синтетических данных) - что выливается в зависимость от автора. я отправлял ему словари по украинскому и белорусскому он быстро модели сделал. по ивриту, уже год прошел,  а самом лень. в детекции соответсвенно могут быть баги, которые конечно нужно тюнить на своих данных по хорошему если есть смешение цифр и букв и т.д. (хотя вроде крафт нормально справляется)

есть еще keras-ocr на тензорфлоу, там нет языков, но думаю несложно сделать модельки, логика там похожая как у easy-ocr

Это плохо, да, не разбирался. А есть нормальный пакет со всеми тренировками? Помню давно был textboxes

нет языков в смысле тольок английский?

ага  https://github.com/faustomorales/keras-ocr по дефолту там латиница. в принципе можно нагенерировать наверное данные   https://github.com/Belval/TextRecognitionDataGenerator и натренировать на своих

вижу, спасибо

Спасибо большое ! Действительно покрывает большую часть типов. Но телефонные номера РФ, email и URL на кириллице не поддерживаются, а хотелось бы.

Так что буду рад, если кто-нибудь ещё сможет подсказать

Телефонные номера ищутся phonenumbers, емэйлы по собаке, для урлов пишется регулярка (там сложности только с точками, запятыми и скобками в конце -- относить ли их к урлу)

Спасибо за библиотеку

🚀 "SBERLOGA"
👨‍🔬 Доклад Прохор Гладких, Семен Сорокин, Даниил Водолазский, SberIDP:  "NER using Efficient Attention"
⌚ Пятница 9 апреля, 18:00 по Москве

Обсудим
* Обзор идей Efficient Attention
* Подробно о Longformer. Эксперименты Longformer + NER
* Подробно о Linear Transformer. Эксперименты Linear Transformer + NER

Ссылка на зум будет доступна ближе к началу доклада через чат @sberlogadataclub
Записи докладов на ютубе https://www.youtube.com/c/SBERLOGA

Looking for speakers - Мы постоянно проводим небольшие семинары, где можно поделиться своими знаниями по теме Data Science/Data Engineering. Чтобы обсудить тему вашего доклада нужно написать - @boyadzhi или @Alexander_V_C

Следите за объявлениями в
@sberloga