ພວກເຮົາຝຶກໂມເດວ OCR ລາວ ໂດຍບໍ່ມີຄ່າໃຊ້ຈ່າຍແນວໃດ

ເຄື່ອງມື OCR ລາວຟຣີຂອງພວກເຮົາ ອ່ານເອກະສານລາວທີ່ສະແກນໂດຍກົງໃນບຣາວເຊີຂອງຜູ້ໃຊ້ — ໜ້າເອກະສານບໍ່ອອກຈາກອຸປະກອນ. ບົດນີ້ອະທິບາຍວິທີທີ່ພວກເຮົາສ້າງຕົວອ່ານ ແລະ ຄ່າໃຊ້ຈ່າຍ: ບໍ່ມີ.

ຕົວອ່ານ 2 ຕົວ ແຕ່ລະຕົວເຮັດສິ່ງທີ່ມັນເກັ່ງ

ເຄື່ອງມືໃຊ້ສອງໂມເດວຮ່ວມກັນ:

• Tesseract (open source) ຊອກຫາແຖວຂໍ້ຄວາມ ແລະ ຕາຕະລາງໃນໜ້າ ແລະ ອ່ານພາສາອັງກິດ.
• ຕົວອ່ານແຖວພາສາລາວຂອງພວກເຮົາເອງ ອ່ານແຕ່ລະແຖວພາສາລາວຄືນອີກຄັ້ງ. ມັນແມ່ນເຄືອຂ່າຍປະສາດຂະໜາດນ້ອຍ (CRNN ປະມານ 2,8 ລ້ານພາຣາມິເຕີ) ທີ່ເບິ່ງຮູບໜຶ່ງແຖວ ແລ້ວອອກມາເປັນຕົວອັກສອນລາວ.

ການແບ່ງວຽກແບບນີ້ເຮັດໃຫ້ໂມເດວໃໝ່ນ້ອຍ ແລະ ເນັ້ນຈຸດດຽວ: ມັນບໍ່ຕ້ອງເຂົ້າໃຈໂຄງສ້າງໜ້າ ພຽງແຕ່ອ່ານເທື່ອລະແຖວ.

ຂໍ້ມູນ: ເອກະສານຈິງ ແບ່ງແບບຊື່ສັດ

ພວກເຮົາຝຶກດ້ວຍຮູບແຖວທີ່ຕັດມາຈາກເອກະສານລາວຈິງທີ່ຮູ້ຂໍ້ຄວາມ — ປະມານ 190,000 ແຖວ ແລະ ແຖວທີ່ສ້າງຂຶ້ນສຳລັບຕົວອັກສອນທີ່ພົບໜ້ອຍ. ກົດທີ່ສຳຄັນທີ່ສຸດ: ແບ່ງຕາມເອກະສານ ບໍ່ແມ່ນຕາມແຖວ. ຖ້າແຖວຈາກເອກະສານດຽວກັນຢູ່ທັງໃນຂໍ້ມູນຝຶກ ແລະ ຂໍ້ມູນທົດສອບ ຄະແນນຈະເບິ່ງດີກວ່າຄວາມຈິງ. ພວກເຮົາທົດສອບກັບເອກະສານທີ່ໂມເດວບໍ່ເຄີຍເຫັນ.

ຝຶກດ້ວຍ GPU ຟຣີ

ການຝຶກທັງໝົດໃຊ້ເວລາປະມານສອງຊົ່ວໂມງເຄິ່ງ ເທິງ GPU T4 ຟຣີຂອງ Kaggle. ໂມເດວທີ່ສຳເລັດຖືກປ່ຽນເປັນ ONNX ແລະ ບີບອັດເປັນຕົວເລກ 8 bit: 2,9 MB ຄວາມຖືກຕ້ອງເທົ່າກັບຂະໜາດເຕັມ. ໃນບຣາວເຊີ ມັນເຮັດວຽກດ້ວຍ onnxruntime-web ໃນ worker ດ້ານຫຼັງ ແລະ ຈະຂ້າມໄປເມື່ອເນັດຊ້າ ເຊິ່ງເຄື່ອງມືຈະໃຊ້ Tesseract ຢ່າງດຽວ.

ຕົວເລກ

ວັດເປັນຈຳນວນຕົວອັກສອນທີ່ຜິດໃນ 100 ຕົວ ກັບຂໍ້ມູນທົດສອບຊຸດດຽວກັນ:

ທັງໜ້າໄດ້ຄະແນນຕ່ຳກວ່າແຖວດຽວ ເພາະຄວາມຜິດດ້ານໂຄງສ້າງ — ແຖວທີ່ຂາດ, ຕາຕະລາງທີ່ແຕກ — ກໍຖືກນັບນຳ.

ສິ່ງທີ່ໄດ້ຮຽນຮູ້

• ກວດຂໍ້ຄວາມອ້າງອີງ. 3 ໜ້າທີ່ "ຮ້າຍທີ່ສຸດ" ບໍ່ແມ່ນຄວາມຜິດຂອງ OCR ເລີຍ: ຂໍ້ຄວາມທີ່ຖືກຕ້ອງທີ່ເກັບໄວ້ ເປັນຂອງໜ້າອື່ນ ຫຼື ກົດໝາຍສະບັບອື່ນ.
• ໜ້າພິມຈາງ ບໍ່ແມ່ນໜ້າວ່າງ. ກົດທີ່ຂ້າມໜ້າທີ່ມີໝຶກໜ້ອຍ ເຮັດໃຫ້ໜ້າສະແກນຈາງຫາຍໄປ; ຕອນນີ້ມັນນັບຈຳນວນຈຸດສີເຂັ້ມນຳ.
• ຕົວອັກສອນລາຕິນທີ່ບໍ່ມີຄວາມໝາຍ ແມ່ນສັນຍານ. ເມື່ອໂມເດວອັງກິດປ່ຽນພາສາລາວທີ່ພິມບໍ່ຊັດ ເປັນຕົວອັກສອນລາຕິນແບບສຸ່ມ ຕົວອ່ານລາວຈະອ່ານແຖວນັ້ນຄືນ.

ສິ່ງທີ່ຍັງອ່ານຜິດ

ກາປະທັບ, ລາຍມືຂຽນ, ແຜນວາດ, ຮູບຖ່າຍໜ້າຈໍ ແລະ ຕາຕະລາງທີ່ຫັນຂ້າງ. ຄວນກວດຊື່, ຕົວເລກ ແລະ ວັນທີ ທຸກຄັ້ງກ່ອນນຳໃຊ້. ສຳລັບໜ້າທີ່ຕ້ອງຖືກຕ້ອງ ເຄື່ອງມືມີທາງເລືອກໃຫ້ AI ກວດຄືນ ເຊິ່ງໃຊ້ເຄຣດິດ.