AURORA OCR Reconocimiento de caracteres para documentos reales difíciles
Un motor propio de reconocimiento de caracteres y comprensión de documentos en alfabeto latino y cirílico: escaneos, fotos y PDF. Nuestro modelo más nuevo también lee griego.
Resultados de reconocimiento
Cómo leer estas cifras. Son resultados por carácter y por línea de texto, no la precisión de una página completa ni del OCR de extremo a extremo. Las mayúsculas y minúsculas de una misma forma (c/C, o/O, s/S y similares) se cuentan como acierto del modelo de caracteres; la caja se decide después con una regla aparte, por la geometría de la línea de texto.
El modelo
- Arquitectura
- ConvNeXt-Small, preentrenada en ImageNet, ajustada en PyTorch
- Parámetros
- ≈ 49,5 M
- Datos
- ≈ 1,1 M muestras de caracteres, cada una validada por una persona (el modelo medido arriba)
- Prueba
- conjunto interno de documentos PDF reales, nunca usados en el entrenamiento
- Modelo más nuevo
- 1.643 caracteres: letras latinas, cirílicas y griegas con acentos, dígitos y signos. Su precisión se publicará tras la misma evaluación.
Cómo evaluamos
Probamos con bancos de pruebas públicos e independientes, no solo con nuestros datos: olmOCR-bench (PDF reales) y UNLV (documentos de empresa escaneados). Comparamos nuestros métodos con 7–8 lectores de PDF y herramientas OCR consolidados, categoría por categoría:
- Letra pequeña
- Calidad del escaneo
- Tablas
- Fórmulas
- Páginas a varias columnas
- Encabezados y pies
Estamos preparando los resultados para publicarlos.
En qué trabajamos
Alcanzar al menos un 99,8 % con degradación realista: caracteres desplazados, fondos, desenfoque, bajo contraste, distinto grosor de trazo y fotos de papel hechas con el móvil. El entrenamiento usa minería de ejemplos difíciles, reentrenamiento dirigido y daños simulados de escáner y cámara.
La siguiente etapa es el OCR por líneas: la precisión preliminar por línea es de alrededor del 93–94 %.
¿Necesitas OCR para un proceso de documentos?
Cuéntanos tus documentos, idiomas y requisitos de procesamiento. Veremos contigo si AURORA OCR encaja con tu caso.