PP-OCRv6_medium_rec
PP-OCRv6のmedium級に属する、サーバー向けの文字認識モデルです。画像中の文字をテキストに変換する認識部分を担い、ページ全体の文字位置を検出するには別の検出モデルなどとの組み合わせが必要です。推論モデルの公表サイズは73.3 MBです。(paddleocr.ai) 単一モデルで日本語、簡体字・繁体字中国語、英語、46のラテン文字系言語の計50言語に対応します。PPLCNetV4、Ligh…
モデルディレクトリ
新しいモデルを公開日順に見つけられます。
PP-OCRv6のmedium級に属する、サーバー向けの文字認識モデルです。画像中の文字をテキストに変換する認識部分を担い、ページ全体の文字位置を検出するには別の検出モデルなどとの組み合わせが必要です。推論モデルの公表サイズは73.3 MBです。(paddleocr.ai) 単一モデルで日本語、簡体字・繁体字中国語、英語、46のラテン文字系言語の計50言語に対応します。PPLCNetV4、Ligh…
PP-OCRv6系列の中規模テキスト検出モデル。PPLCNetV4とRepLKFPNを基盤とし、サーバーでの高精度な検出を想定している。公式資料に記載されたモデルサイズは59.4 MB。画像内の文字領域を検出し、その位置を後段の認識モデルに渡す。(github.com) 文書、街頭画像、工業部品などを対象とするOCRパイプラインの文字領域検出に利用できる。PP-OCRv6のOCRシステムは日本語を…
PP-OCRv6シリーズの軽量な文字認識モデルです。smallはモバイル向けの中間規模で、認識モデル単体は約520万パラメータです。LCNetV4、LightSVTR、CTC・NRTRのマルチヘッドデコーダーを採用しています。モデルカード上のライセンスはApache-2.0です。(github.com) 切り出された文字画像からテキストを認識します。日本語、簡体字・繁体字中国語、英語など50言語に…
PP-OCRv6_small_detは、PaddleOCRのPP-OCRv6シリーズに属する小型の文字検出モデルです。画像内の文字領域を特定する用途向けで、モバイル環境での精度と効率の両立を重視しています。LCNetV4とRepLKFPNを採用し、パラメーター数は約248万、公式資料に記載されたモデルサイズは9.6 MBです。(huggingface.co) 印刷文字、手書き文字、回転・湾曲した文…
PP-OCRv6_tiny_recは、PP-OCRv6シリーズの軽量な文字認識モデルです。画像内の文字列を読み取る認識モジュールであり、エッジ・IoT環境での利用を想定しています。推論モデルと学習モデルが公開されています。(paddleocr.ai) 簡体字中国語、繁体字中国語、英語、ラテン文字系言語など、49言語に対応します。(paddleocr.ai)…
PP-OCRv6_tiny_detは、PaddleOCRチームが開発したPP-OCRv6系列の超軽量文字領域検出モデルです。約43万パラメータ、モデル保存サイズは1.9 MBで、エッジ端末やIoT向けに設計されています。PPLCNetV4系バックボーンとRepLKFPNを使用します。(github.com) 画像中の文字領域を検出し、印刷文字、手書き、回転・湾曲した文字、装飾文字などの位置特定に利…
TencentのWeChat AIによる、Audio-LLM向けの音声・音響トークナイザー。単一コードブックによるコンパクトな表現で、言語的整合性と幅広い音響の知覚を両立することを目的とする。(github.com) 音声や音響から離散トークンを抽出し、トークンから波形を再構成する。公式デモでは音声ファイルの符号化と再構成を行う。 音声内容、声の特徴、音響場面を捉えるSAP教師信号と、音響の細部を…