Обсуждение Викитеки:Проект:OCR

Архив

Архив обсуждений

Юности честное зерцало

Юности честное зерцало или Показаніе къ жітеіскому обхожденію. Собранное отъ разныхъ Авторовъ. Напечатася повелѣніемъ Царскаго Велічества. Въ Санктпітербурхѣ лѣта Господня 1717
Одним словом, рекомендую! --Максим Пе (обсуждение) 15:46, 30 ноября 2018 (UTC)

@Lozman, Vladis13, VadimVMog, Silberrus, Averaver --Максим Пе (обсуждение) 11:08, 26 апреля 2019 (UTC)

Собрание разных авторов без их указания. Не возьмусь. --Averaver (обсуждение) 13:34, 26 апреля 2019 (UTC)

@Максим Пе а сами-то что? — Lozman (talk) 13:42, 26 апреля 2019 (UTC)

Распознавание шрифтов российской гражданской печати XVIII века

На каком софте обычно это делают? У нас в ВТ очень приличная библиотека вычитанных книжек XVIII века, можно было бы использовать их для тренировки модели Tesseract (см. [1], [2], [3] и др.), если в этом есть необходимость. Или все пользуются программой ABBYY Lingvo, которая и так отлично натренирована на подобных шрифтах? Ain92 (обсуждение) 11:46, 17 июня 2020 (UTC)

Есть только две передовые программы распознавания — это упомянутые ABBYY FineReader и Tesseract. Первая передовая, коммерческая, только под Windows. Вторая — бесплатная, в основном расчитана на Linux, поэтому имеются сайты, являющиеся веб-интерфейсами Tessercat.

Тессеракт имеет массу сложностей — плоховато распознаёт русский, дореформенный не распознает вообще, а также ударения и вёрстку страниц (колонки, колонтитулы, текст в примечаниях внизу страниц, текст на полях). Тессеракт v4, вышедший в последние годы, сделан на основе нейросети, обучение языкам его было долгим, несколько лет для основных языков, добавлен только современный русский. Самим обучать — я право не знаю, тогда это лучше перейти в проект Тессеракта, поскольку человеческое и машинное время участника будут полностью занято.

Так что я бы посоветовал использовать FineReader, он великолепно распознаёт шрифт 19 века, и в течении 1-2 дней его можно подучить под петровский шрифт (просто более старые книги не имеют однотипного шрифта и правописания, поэтому будет больше ошибок распознавания). К тому же, править орфографию по всему тексту удобней в нём. Единственно пожалуй недостаток, что после него размер сканов увеличивается на десятки процентов.

Для примера, если не ошибаюсь, этот скан с петровским шрифтом я распознавал в FineReader. С коррекцией грубых ошибок OCR, и вроде с обучением ряду букв. (В этом шрифте постоянная проблема OCR с путаницей "ш" и "т".) --Vladis13 (обсуждение) 17:22, 17 июня 2020 (UTC)

П. Дм. Брянцевъ — Очеркъ паденiя Польши (1895). .docx -> Викитека

Источник: https://dlib.rsl.ru/01003669686 , также легко находятся варианты в более «чистом и опрятном» .djvu.

Давно распознал сей очерк. Есть оформленный документ в формате .docx — сохранена орфография оригинала, работают сноски + текст ёфицирован. Не осилил вики-разметку и местные порядки, поэтому если есть желающие перенести очерк из документа Word в ВТ, пожалуйста, отпишитесь в теме. --У меня всегда так (обсуждение) 18:57, 8 июля 2021 (UTC)