lab.kzbrd.ru как машины читают документы

классический OCR · layout + PP-OCRv5

PP-StructureV3

Пайплайн PaddleX с разметкой страницы. На русских документах хуже простого PaddleOCR, а с настройками по умолчанию кириллицу не читает вообще.

место в лидерборде19 из 20открыть лидерборд →
все 120 страниц0.459медиана 0.547
печатные, 900.571ниже 0.2: 30 стр. из 120
рукопись, 300.123~5 с/стр

Коротко

  • Около 0.46 в среднем, ниже простого PP-OCRv5 примерно на 0.09.
  • С конфигом по умолчанию — 0.03: распознаватель по умолчанию не знает кириллицы.
  • Выигрывает только на многоколоночных страницах и бланках, проигрывает на одноколоночных и рукописных.

Как запускали

PP-StructureV3.yaml, распознаватель заменён на cyrillic_PP-OCRv5_mobile_rec, выпрямление документа выключено. Около 5 с на страницу, около 6 ГБ видеопамяти на процесс.

Что важно знать

  • Распознаватель надо менять в трёх местах: основной OCR, OCR печатей и OCR внутри таблиц. Серверные распознаватели PaddleX кириллицу не поддерживают, нужен только _mobile.
  • Выпрямление (UVDoc) по умолчанию вредит: оно искажает и без того ровные сканы.
  • Внутри пайплайна распознавание не хуже простого PaddleOCR, качество теряется на сортировке блоков по разметке.
  • Полный конфиг загружает около 15 моделей. Три процесса не помещаются в 24 ГБ, разные варианты пайплайна в одном процессе падают с ошибкой CUDA.

Когда брать

Для извлечения текста — нет. Разметка страницы от PaddleX полезна отдельно, как в нашем PP-OCRv6, где порядок чтения строится своими правилами.

По типам страниц

Синяя полоса — PP-StructureV3, серая — медиана всех 20 моделей лидерборда на том же типе.

00.250.50.751скан или фото печатного61 стр.0.582рукопись30 стр.0.123без метки10 стр.0.499бланк, форма8 стр.0.525чистый текст6 стр.0.675текст с графикой4 стр.0.566скриншот1 стр.0.321

Распределение по страницам

Сколько страниц попало в каждый диапазон балла. Красным — почти полный провал (ниже 0.2).

170.0–0.1130.1–0.270.2–0.380.3–0.4110.4–0.5150.5–0.6250.6–0.7190.7–0.850.8–0.90.9–1.0

Все прогоны

ВариантВсеПечатныеРукописьДата
кириллический распознаватель, без выпрямления в лидерборде
results/ppstructure-comparison-v3/ppsv3-v5rec-nodoc		 0.4590.5710.12323.07.2026
кириллический распознаватель, с выпрямлением UVDoc
results/ppstructure-comparison-v3/ppsv3-v5rec		 0.4510.5600.12423.07.2026
конфиг по умолчанию (распознаватель без кириллицы)
results/ppstructure-comparison-v3/ppsv3-default		 0.0350.0340.03623.07.2026

Где модель ошибается

Страницы с самым низким баллом в основном прогоне: две печатные и одна рукописная. Слева эталон, справа ответ модели (первые 700 знаков).

Страница MWS 86, скан или фото печатного

Страница 86 · скан или фото печатного · балл 0.000

Эталон

обстоятельств (стихийные бедствия, пожары, издание правовых актов органов государственной власти и управления, органов местного самоуправления и т.д.).
7.5. В случае предоставления Заказчиком результатов лабораторно-инструментальных исследований, проведенных сторонними медицинскими организациями, Исполнитель не несет ответственности за их соответствие состоянию здоровья Заказчика.
                                                                                    8. Прочие условия Договора
8.1 Настоящий Договор составлен в двух экземплярах на русском языке.
8.2 Неотъемлемой частью договора является приложение и заявление (информированное добровольное согласие) на конкретный вид медицинской у …

PP-StructureV3

ERROR in getting response
Страница MWS 147, бланк, форма

Страница 147 · бланк, форма · балл 0.000

Эталон

МИНФИН РОССИИ
ФЕДЕРАЛЬНАЯ НАЛОГОВАЯ СЛУЖБА
УФНС РОССИИ ПО РЯЗАНСКОЙ ОБЛАСТИ
МЕЖРАЙОННАЯ ИНСПЕКЦИЯ ФЕДЕРАЛЬНОЙ
НАЛОГОВОЙ СЛУЖБЫ № 1 ПО РЯЗАНСКОЙ ОБЛАСТИ

12.05.2011 № 162
На № _______________

Информационное письмо (ФОРМА № 26.2-7)

Межрайонная ИФНС России № 1 по Рязанской области в соответствии с подпунктом 4 пункта 1 статьи 32 Налогового кодекса Российской Федерации на запрос Общество с ограниченной ответственностью  " от 10.05.2011  сообщает, что указанным плательщиком 28.04.2011 подано заявление о переходе на упрощенную систему налогообложения с 06.05.2011 г. .

Заместитель начальника межрайонной
ИФНС России № 1 по Рязанской 
области
советник государственной 
гражданской службы РФ 2 класс …

PP-StructureV3

ERROR in getting response
Страница MWS 1011, рукопись

Страница 1011 · рукопись · балл 0.011

Эталон

21.02.25г.

. Мир есенинской природы - "страна березового ситца" , в которой природа слита жизнью че-ловека, а человек пророс в природу. Олицетворение, цветовые эпитеты, метафоры, полны све-та, тепла. Тональность лирики меняется после Октября - Есенин принял революцию, но "с крестьянским уклоном".
"Русь советская"
Было
мельница; отчий дом

Стало
 Нас мало уцелело;  
 край осиротелый;  
 не с кем поделиться; 
стоит, глаза смежив;
 зола да слой дорожной пы-ли ;
никто меня не знает;

Шолохов
"Родинка"
"Продкомиссар"
"Чужая кровь"

24.02.25г.

Тема Гражданской войны.

Михаил Александрович Шолохов .(1905 - 1984)
Лауреат Нобелевской премии 1965
Станица Вешенская Ростовской области (1905 г.)
Шолохо …

PP-StructureV3

up   д с,в йпси
m_{2}=m_{2}+\frac{1}{2}\cos\alpha+\sin\alpha+m_{2}\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\alpha+\cos\al …