OCR bez GPU na laptopie
Stan 2026-09-12
Aktualizacja po eksperymentach: poniższe punkty 1–4 opisują stan sprzed prób. Wykonano już testy korekty Fabryki, Tesseract CPU i dwa osobne piloty skanów. Aktualne wyniki: korekta i syntetyki, kursywa, zwykły druk i przygotowanie vision. Zdalne OCR obrazów i trening nadal nie były uruchamiane.
- Poprawki audytu: lokalna gałąź
codex/ocr-correctness. Testy CPU, bez wag OCR. Własne nazwy checkpointów Paddle są teraz odrzucane zamiast ignorowane; obsługa adapterów wymaga osobnej implementacji. Bboxy są mapowane do oryginalnego rastra (dla PDF przy wybranym DPI). Confidence poprawionego tekstu jest nieznane; surowy tekst i score są zachowane. Nie jest to jeszcze kalibracja score. - Znaleziono
C:/Users/Hipek/OneDrive/Pulpit/OCR/test_document.pngi 12 par wdata/pl_lines_sample. Strona została obejrzana i ręcznie przepisana dobenchmarks/smoke-v1. To test funkcjonalny, nie reprezentatywny benchmark polskich dokumentów ani test SOTA. Widoczne ASCII trzeba przepisywać dosłownie, bez odtwarzania polskich znaków. Pary 12 linii pozostają poza testem jakości do czasu kontroli etykiet i niezależności od treningu. - Fabryka: publiczna dokumentacja opisuje chat/completions, models i credits, z tekstowym przykładem
qwen3.6-35b-a3b. Nie znaleziono w niej potwierdzenia image input ani fine-tuningu. Strona główna oznacza aliasy smart router jako projekt MVP. Nie wysłano żadnych danych ani płatnych zapytań. Źródła: https://router.fabryka.ai/docs oraz https://router.fabryka.ai/ (odczyt 2026-09-12). - Wybór modelu i trening pozostają zależne od rzeczywistych pomiarów. Na razie nie ma podstaw do zamawiania treningu TrOCR lub konkretnego VLM.
Podział pracy
- Laptop: testy, adnotacje, checksums, ewaluacja gotowych predykcji, małe obrazy, przygotowanie runów.
- Zdalne inference: serwer przyjmujący obrazy, konkretny model i wersja, niewielki limit stron i tokenów. Najpierw pojedynczy smoke-test, dopiero później benchmark. Tekstowa korekta to osobna kolumna wyników, nie OCR.
- Trening: zdalny proces na GPU z kontrolą danych, adapterów, checkpointów i logów. Hugging Face Jobs udostępnia uruchamianie własnego skryptu przez API/CLI; nie jest automatycznie darmowe. Dokumentacja: https://huggingface.co/docs/huggingface_hub/guides/jobs. Bez potwierdzonego bezpłatnego limitu lub budżetu nie uruchamiamy joba.
Ewaluacja offline
Predykcje zapisuje się jako JSONL z id, status (ok lub error) i text. Brak strony jest liczony jako pusta predykcja, nie usuwany z mianownika. Skrypt nie wykonuje inferencji:
python -m training.benchmark_pages --manifest benchmarks/smoke-v1/manifest.jsonl --predictions predictions.jsonl --output validation/page-report.json
Właściwy benchmark powinien zawierać rzeczywiste skany, kolumny, tabele, diakrytyki, liczby i puste strony, z oddzielnymi dokumentami train/dev/test. Aktualny scorer obejmuje CER/WER i exact match tekstu; TEDS, reading-order i przedziały ufności wymagają dalszego rozszerzenia oraz adnotacji.
Następna bramka
Potwierdzić dostępny endpoint przyjmujący obraz i jego model. Do tego czasu skończyć lekkie poprawki oraz fixture i scorer. Nie przedstawiać tego jako zakończonego porównania modeli lub treningu. Fabrykę można zbadać jako korektor po ustaleniu bezpłatnego limitu/budżetu i bez wklejania klucza do repozytorium.
Przygotowano ocr.page_parser.RemotePageParser: niezależny od detektora linii, wysyła całą stronę PNG/JPEG do jawnie wskazanego klienta API, zapisuje żądany/zwrócony model, hash obrazu, zużycie i czas. Odrzuca ucięte odpowiedzi. Przetestowany atrapą endpointu; nie potwierdza kompatybilności z Fabryką. Nie tworzy fikcyjnych bboxów z tekstowej odpowiedzi. Podłączanie następuje dopiero po potwierdzeniu vision, limitów oraz ceny.
Bezpłatny kandydat do późniejszego interaktywnego eksperymentu to Google Colab: oferuje zasoby GPU, ale ich dostępność i limity nie są gwarantowane. To notebook, nie bezpłatny stały serwer API. Źródło: https://research.google.com/colaboratory/faq.html (2026-09-12). Nie uruchomiono sesji Colab ani jobów HF.