Manuscript OCR

Manuscript OCR – открытый Python-фреймворк полного OCR/HTR-пайплайна для распознавания дореформенных рукописей на русском языке XVIII–XIX веков и современных текстов. Проект направлен на цифровизацию и анализ исторического текстового наследия с использованием разработанных методов, учитывающих устаревшую орфографию, сложную структуру страниц и вариативность почерков, и обеспечивающих высокую вычислительную эффективность на ограниченных ресурсах.

Онлайн-демо - попробовать Manuscript OCR в браузере
Полная документация - English & Русский

Установка

pip install "manuscript-ocr[cpu]"

Обычная установка pip install manuscript-ocr содержит общие компоненты без ONNX Runtime. Для выполнения моделей выберите [cpu], [gpu] или браузерный [web]. Для TrOCR дополнительно нужен токенизатор: pip install "manuscript-ocr[cpu,trocr]".

В браузере Python работает через Pyodide, а ONNX Runtime Web подключает страница. Порядок подключения описан в инструкции для веба.

Минимальный пример

from manuscript import Pipeline

# Инициализация с моделями и автоматическим выбором устройства
pipeline = Pipeline()

# Обработка изображения
result = pipeline.predict("document.jpg")

# Извлечение текста
text = pipeline.get_text(result["page"])
print(text)

Дополнительные варианты установки

Для ускорения на GPU (NVIDIA CUDA)

# Удалите CPU-версию ONNX Runtime
pip uninstall onnxruntime

# Установите GPU-версию
pip install "manuscript-ocr[gpu]"
# Если библиотеки CUDA/cuDNN ещё не установлены:
pip install "onnxruntime-gpu[cuda,cudnn]"

Для Apple Silicon с CoreML

Стандартный пакет onnxruntime для macOS включает CoreML. Дополнительная установка не требуется; передайте device="coreml" компонентам пайплайна.

Dev-установка с обучением моделей

pip install "manuscript-ocr[cpu,dev]"

Dev-установка для обучения на GPU (NVIDIA CUDA)

# Установите библиотеку с GPU Runtime и инструментами обучения
pip install "manuscript-ocr[gpu,dev]"

# Затем обновите PyTorch на GPU версию
pip install --upgrade torch torchvision --index-url https://download.pytorch.org/whl/cu118

Версию PyTorch выбирайте под свою CUDA. При переходе с CPU на GPU сначала удалите onnxruntime.

Использование GPU/CoreML

from manuscript import Pipeline
from manuscript.detectors import EAST
from manuscript.recognizers import TRBA

# NVIDIA CUDA
detector = EAST(device="cuda")
recognizer = TRBA(device="cuda")
pipeline = Pipeline(detector=detector, recognizer=recognizer)

# Apple Silicon (M1/M2/M3)
detector = EAST(device="coreml")
recognizer = TRBA(device="coreml")
pipeline = Pipeline(detector=detector, recognizer=recognizer)

Связанные работы

• Sherstnev, P.A.; Kozhin, K.D.; Pyataeva, A.V. Analyzing the Influence of Hyperparameters on the Efficiency of an OCR Model for Pre-Reform Handwritten Texts. Program Comput Soft 51, 173–180 (2025). https://doi.org/10.1134/S0361768825700069
• Шерстнев, П. А.; Кожин, К. Д.; Пятаева, А. В. Анализ влияния гиперпараметров на эффективность OCR-модели для дореформенных рукописных текстов // Программирование. – 2025. – № 3. – С. 70-79. – DOI 10.31857/S0132347425030071. – EDN GRLAPG.
• Шерстнев, П. А.; Кожин, К. Д.; Пятаева, А. В. Распознавание рукописных текстов отчетов губернаторов Енисейской губернии 19 века // GraphiCon 2024 : Материалы 34-й Международной конференции по компьютерной графике и машинному зрению, Омск, 17–19 сентября 2024 года. – Омск: Омский государственный технический университет, 2024. – С. 519-524. – DOI 10.25206/978-5-8149-3873-2-2024-519-524. – EDN GBEKEZ.

Практическое применение

Полученные результаты могут использоваться для:

1. оцифровки и распознавания дореформенных рукописных архивных материалов;
2. интеграции в системы библиотек, архивов и музеев;
3. образовательных и исследовательских проектов по историческим источникам;
4. интеллектуальной обработки текста, включая интеграцию с LLM-системами для анализа и структурирования исторических документов.

Проект реализован при поддержке гранта
Фонд содействия инновациям, конкурс «Код-ИИ», VII очередь