AndreyButakov

TesseractOCR — это движок оптического распознавания символов (OCR) с открытым исходным кодом. Он может быть полезен при распознавании документов, но требует значительных усилий для достижения приемлемого результата.

Основные недостатки:
- для качественного распознавания требуется тонкая настройка под каждый тип документа. Вам придется потратить много времени на подбор параметров.
- чтобы добиться высокой точности на специфических документах, нужно вручную разметить сотни, а лучше тысячи сканов и дообучить модель.
- не распознает рукописный текст.
- качество распознавания значительно падает, если в документе присутствует текст на нескольких языках.

В отличие от TesseractOCR, Vision LLM требуют минимальной настройки (температуры) для начала работы. Вам не нужно тратить время на дообучение.

Для сервиса Извлечение текста из изображений и PDF я добавил возможность использовать TesseractOCR. Можете проверить, какой вариант лучше подойдет для ваших задач (Vision LLM 🏆).

TesseractOCR можно использовать на слабом железе и в ситуациях, когда вам надо распознать несложный текст, или вы собираетесь распознавать свои очень специфичные документы.

Репозиторий гитхаб с простейшим примером использования TesseractOCR в Docker контейнере: https://github.com/Butakov-Andrey/ocr_example

Подробнее про реальное применение ИИ: https://t.me/optifyhub

Самый распространенный вариант оцифровки текста - OCR (оптическое распознавание символов), например, Tesseract, EasyOCR или PaddleOCR.
Это уже классическая и проверенная технология, которая используется во многих системах, но у которой есть и свои проблемы:
- плохо обрабатывает необычные шрифты, цветной и низкокачественный текст
- точность распознавания снижается при наличии нескольких языков в тексте
- для распознавания рукописного текста требуется дообучение моделей, что затратно по времени и ресурсам (самое трудное - это собрать качественные данные для дообучения)
В итоге получается, что для каждого узкого кейса надо заново подбирать модель, дообучать её и настраивать.

Но есть и альтернатива!
Vision LLM - это большие языковые модели, обученные работать и с текстом и с изображениями.
У них есть ряд преимуществ:
- распознают печатный и рукописный текст на разных языках
- не требуется дообучение
- отлично справляются с сложными (но небольшими) документами
Есть и недостатки:
- использование VLLM дороже (при использовании сторонних сервисов и на своем железе)
- чем больше текста, тем больше вероятность ошибки

Вы можете сами опробовать демо-версию:
1. Загрузите изображение или PDF-файл.
2. Нажмите кнопку "Распознать текст".
3. Скачайте результат в формате Word.
Всегда перепроверяйте ответ, не доверяйте ИИ! 😐

Подробнее про распознавание текста при помощи ИИ: https://t.me/optifyhub

Google представил новую модель LearnLM, заточенную под образование.

Что умеет (доступно пока некоторым пользователям в USA):
1️⃣ В поиске Google можно будет упростить сложную тему одним нажатием кнопки (например, объяснить квантовую физику как для школьника).
2️⃣ Circle to Search на Android теперь решает задачи по математике и физике прямо с экрана телефона. Скоро добавят поддержку формул, диаграмм и графиков.
3️⃣ В YouTube появится ИИ-помощник, которому можно задавать вопросы прямо во время просмотра лекций.

👀 А самое интересное - два новых инструмента:
Illuminate:
- Берёт научную статью
- Превращает её в короткий аудио-подкаст
- Два ИИ-диктора обсуждают ключевые моменты
- Можно задавать уточняющие вопросы

Learn About:
- Подбирает материалы под ваш уровень или использует ваши
- Создаёт индивидуальный план обучения
- Отвечает на все вопросы, используя видео, картинки, сайты
- Проверяет ваше понимание и дает практические задания

Модель уже можно тестировать в Google AI Studio (https://aistudio.google.com/app/).

ИИ для любой задачи: https://t.me/optifyhub

Пробуем фото самурая:

1. Neural Love (https://neural.love/photo-colorization)
2. Pallete Fm (https://palette.fm/color/filters)
3. Kolorize (https://kolorize.cc/app)

Везде нужна регистрация, везде есть водяные знаки.
Чтобы от них избавиться: https://t.me/optifyhub/42