TrOCR PL Base — experimental

Eksperymentalny checkpoint microsoft/trocr-base-printed dostrojony metodą LoRA do drukowanego tekstu polskiego. Model przyjmuje obraz pojedynczej linii, a nie całą stronę dokumentu.

Status

Experimental — nie jest jeszcze modelem produkcyjnym. Checkpoint wyraźnie poprawia angielski baseline na polskich liniach, ale pełny pipeline stron jest ograniczony przez segmentację i nie powinien być oceniany wynikiem samego recognizera.

Wyniki

Realne cropy pochodzą z dwóch historycznych polskich stron public domain. Referencje przygotował jeden autor bez niezależnej drugiej weryfikacji. Pełny wynik stron obejmuje detekcję, segmentację, kolejność i rozpoznawanie; nie jest wynikiem samego checkpointu.

Benchmark i predykcje: OCR_engine/benchmarks/real-lines-v1 oraz experiments/2026-09-13.

Trening

• baza: microsoft/trocr-base-printed, rewizja 93450be3f1ed40a930690d951ef3932687cc1892,
• dane: PiotrSty/ocr-pl-lines, 2000 syntetycznych linii train + 200 validation,
• 3 epoki, batch 8 na T4 x2,
• LoRA dekodera attention (q_proj, k_proj, v_proj, out_proj),
• 3 047 424 trenowanych parametrów (0,9044%),
• najlepszy checkpoint wybrany po CER: epoka 3,
• Transformers 4.57.6, PEFT 0.19.1,
• jawnie wyrównana strata tokenowa, bez podwójnego przesunięcia etykiet.

Pełna proweniencja, hashe próbek i wersje pakietów znajdują się w run.json. Adapter LoRA jest zachowany w adapter/; model główny jest scalony i można go ładować bez PEFT.

Użycie

from PIL import Image
from transformers import TrOCRProcessor, VisionEncoderDecoderModel

model_id = "PiotrSty/trocr-pl-base"
processor = TrOCRProcessor.from_pretrained(model_id)
model = VisionEncoderDecoderModel.from_pretrained(model_id)

image = Image.open("line.png").convert("RGB")
pixel_values = processor(image, return_tensors="pt").pixel_values
ids = model.generate(pixel_values, max_new_tokens=128)
print(processor.batch_decode(ids, skip_special_tokens=True)[0])

W silniku OCR model należy włączyć jawnie:

from ocr import OcrConfig, OcrEngine

config = OcrConfig(recognizer_pl="PiotrSty/trocr-pl-base", force_language="pl")
with OcrEngine(config) as engine:
    result = engine.recognize("document.png")

Ograniczenia

• trenowany głównie na danych syntetycznych;
• przetestowany tylko na małym pilocie historycznego druku;
• niezweryfikowany na piśmie ręcznym, tabelach, formularzach i szerokim przekroju współczesnych dokumentów;
• wymaga poprawnych cropów pojedynczych linii;
• może degenerować na krótkich, zaszumionych liniach i znakach interpunkcyjnych;
• confidence jest sygnałem niepewności, a nie skalibrowanym prawdopodobieństwem.