Rajoitettu hämärä OCR - Kolmas -Tier OCR-putki

Wednesday, 07 January 2026

Osa 4: Kuvatieto esitteli ImageSummarizerin aaltoarkkitehtuuria ja laajempia malleja. OCR:n alajärjestelmä—kolme tasoa tekstin extrakointiaM SK1 älykäs eteneminen , ja filmtrip-optimointi, jolla saavutetaan animaoitujen GIF:ien token vähennys

Miksi erillinen artikla? OCR-putkilinja kehittyi Vision LLM-valvonnan mukaisesta Tesseract-järjestelmästä, ", monimutkaiseen kolmeen tasoon perustuvaan ML-järjestelmään, MSC2 ja - perustuvaan OCR:hen.

Yhteenkuuluvat artiklat:

Osa 1: Rajoitettu epäselvyysmalli - Perusmalli
Osa 2: Rajoitettu hämärä MoM - Useiden mallien koordinointi
Osa 3: Kontextin vetäminen - muisti ja aika
Osa 4: Kuvatieto - Full wave architecture overview
DocSummarizer - Samankaltaisten mallien asiakirjaanalyysi
DataSummarizer - Tietoprofiilien laatiminen determinismin avulla -ensimmäinen lähestymistapa

Ongelma: Tekstin poistaminen on vaikeaa

OCR todellisuudessa-maailman kuvat epäonnistuvat ennustettavissa tapauksissa

Stylisoidut fontit: Tesseract on koulutettu standardeihin kirjaimiin , puuttuu dekoratiivisessa tekstissä
Noisy GIF-levyt: Puitekompression artifactit, jitterM SK2 alaotsakemuutos
Alhainen kontrasti: pimeää tekstiä pimeillä taustalla
Pyörretty teksti: Ei - horisontaaliset tekstikulmat
Sekasisällöt: Kuvat, joissa on useita tekstialueita
API-kustannukset: Vision LLM-puhelut ovat kalliita

Perinteinen lähestymistapa: M SK1Run Tesseract, jos Vision LLM:n käyttö epäonnistuu

Ongelma: Tämä joko menettää stylisoidun tekstin (Tesseract on epäonnistunut M SK2 tai maksaa liian paljon | (on aina käytettävä Vision LLM

Ratkaisu: Lisätään keskitaso, jossa käsitellään paikallisesti stylisoituja fontejä.

Kolmen luokan -Tier OCR-arkkitehtuuri

Järjestelmä toimii aaltoina ensisijaisessa järjestyksessä (ylemmän luokan = jälkikäteen suoritettavien toimenpiteiden osalta

Wave Priority Order:
  40: TextLikelinessWave → Heuristic text detection
  50: OcrWave            → Tesseract OCR (if text-likely)
  51: MlOcrWave          → Florence-2 ML OCR (if Tesseract low confidence)
  55: Florence2Wave      → Florence-2 captions (optional)
  80: VisionLlmWave      → Vision LLM (escalation)

Termi 1: Tesseract (Traditional OCRM SK2

ensisijainen tavoite SSK1 Nopeus	Kustannus S	Paras vaihtoehto M	Rajoitukset V
50

Ilmaistetut signaalit:

ocr.text - Teksti poistettu
ocr.confidence - Tesseractin keskimääräinen luottamusprosentti

Taso 2: FlorenceM SK1 ONNX (ML OCR)

ensisijainen tavoite SSK1 Nopeus	Kustannus S	Paras vaihtoehto M	Rajoitukset V
51

Ilmaistetut signaalit:

ocr.ml.text - YhteinenM SK1frame Florence-2 OCR
ocr.ml.multiframe_text - monimuotoinen
ocr.ml.confidence - malliluottamuksen tulos

Taso 3: Vision LLM (Cloud FallbackM SK2

ensisijainen tavoite	Nopeus
80	~1-5s	$0.001-0.01 \	Kaikella on oltava selkeitä näkökohtia, erityisesti monimutkaisia näkökulmia.

Ilmaistetut signaalit:

ocr.vision.text - Vision LLM OCR-tekstin extraktointi
ocr.vision.confidence - LLM-luottamus
caption.text - Vaihtoehtoinen kuvausnimitys OCR:stä erillinen

ONNX Arsenalin : paikalliset ML-mallit

Ennen kolmeen OCR:n tasoon syöksymistä sallitaan, että , ja ' kattavat deterministiset ML-mallit järjestelmästä. Kaikki mallit toimivat paikallisesti ONNXin kautta Runtimen välityksellä

Miksi ONNX?

Käytetään paikallisesti: Ei API-kysymyksiä
Deterministi: Sama tulonotto = sama lopputulos*
Nopea:Hardware
Siirrettävä: Soveltuu Windowsiin
Auto-laadittu: Ensimmäistä kertaa mallit laaditaan automaattisesti

* Pieni varoitus: GPU:n täytäntöönpanontarjoajat voivat ottaa käyttöön huomattavan floating-järjestelmän-pisteen nondeterminismin . signaalisopimus M SK3luottamuksen raja-arvot

Viisi ONNX-mallia

Huomio: Sizes are approximate and vary by variant

malli SSK1 noin . koko S	käyttötarkoitus MISK4 nopeus MISK5 mallin tyyppi MiSK6
itä
CRAFT
Firenze	SSK1MB	OCR S+ captioning
Real-ESRGAN	~60MB
KLIP

Kokolevyn tilaa: ~1.0-1.5GB valitun mallivaihtoehtojen mukaan

1. EASTM SK1 Kuvatekstin tunnistaminen

Tehokas ja täsmällinen näyttämötekstin tunnistaja - löytää tekstialueita luonnon maissa

// EAST detects text bounding boxes with confidence scores
var result = await textDetector.RunEastDetectionAsync(imagePath);

// Output: List of BoundingBox with coordinates + confidence
// Example: [BoundingBox(x1:50, y1:100, x2:300, y2:150, confidence:0.92)]

Miten se toimii:

Syvimmän oppimisen malli, jota koulutetaan paikan päällä olevien tekstitietojen kokoonpanoissa
Tulokset tulostaulu (luottamusM SK1 + geometriakartta SSK3box-koordinaatit)
Käsillä käännettyä tekstiä, monimuotoinenM SK1laajuinen teksti
Käytetään muita kuin -Maximum Suppression (NMS) päällekkäisten laatikkojen yhdistämiseen

Miksi deterministinen?

Päätelmissä ei ole sattumaa ( jäädytetyt painotM SK1
Sama kuva → samat bounding boxit
Luottamukselliset pisteet voidaan toistaa
Escalation raja-arvot ovat config-driven (eM SK2g., < 0.5 → escalate)

Tekniset yksityiskohdat:

// EAST preprocessing (from implementation)
- Input size: 320×320 (must be multiple of 32)
- Format: BGR with mean subtraction [123.68, 116.78, 103.94]
- Output stride: 4 (downsampled 4×)
- Score threshold: 0.5
- NMS IoU threshold: 0.4

Esimerkkitulos:

Input: meme.png (800×600)
EAST detection: 15 text regions found
  Region 1: (50, 480, 750, 580) - confidence 0.87 [bottom subtitle area]
  Region 2: (100, 50, 300, 90) - confidence 0.62 [top text]
  Region 3: ...
Route decision: ANIMATED (subtitle pattern in bottom 30%)

2.CRAFT

Character-tasoisen tekstin havaitseminen - on erinomainen curved- ja stylisoitujen tekstien osalta

// CRAFT finds character-level regions, then groups into words
var result = await textDetector.RunCraftDetectionAsync(imagePath);

// Better than EAST for: decorative fonts, curved text, logos

Miten se toimii:

Tunnustetaan yksittäiset tunnusalueet (kervempi kuin EASTM SK1
Kumppanuuspisteen avulla ryhmitetään henkilöt sanoihin
Flood-fill-algoritmi löytää yhdistettyjä tekstikomponentteja
Käsittelee kurottua tekstiä, jota EAST jättää huomaamatta

Kun CRAFT-järjestelmää käytetään:

EAST ei ole saatavilla tai se on epäonnistunut
Kuvassa on taiteellisia/esimerkkittömät fontit (autoM SK2tarkastettu)
käyttäjä nimenomaisesti valitsee CRAFT-detektorin

Tekniset yksityiskohdat:

// CRAFT preprocessing
- Max dimension: 1280px (maintains aspect ratio)
- Format: RGB normalized with ImageNet stats
- Mean: [0.485, 0.456, 0.406]
- Std: [0.229, 0.224, 0.225]
- Output stride: 2 (downsampled 2×)
- Threshold: 0.4 for character regions

EAST vs CRAFT - vertailu:

Merkintö	Itä-Euroopan SSK2 Kreikka
havaitsemisaste	SanaM SK2 rivi SSK3 Sana
Nopeus SSK1 ~20ms S	♫ ♫ ~30 ♫
Paras vaihtoehto	Standard text, subtitles	Decorative fonts
Pyörretty teksti	Rajoitettu SSK2 Erinomainen
Mallin koko	100MB S

3. todellinen -ESRGAN: SuperM SK3Resoluution nopeuttaminen

Parannetaan alhaisen laadun – - – kuvia ennen OCR:tä -

// Upscale low-quality image before running OCR
if (quality.Sharpness < 30)  // Laplacian variance threshold
{
    var upscaled = await esrganService.UpscaleAsync(imagePath, scale: 4);
    // Now run OCR on the enhanced image
}

Kun se' käytetään:

Kuvan teräväys < 30 ≥(Laplacianin vaihtelu
Tekstialueet havaittuvat, mutta hyvin pienet (< 20px-heikkousM SK2
OCR-luottamuksen taso on alhainen, mutta tekstialueet ovat läsnä
Käyttäjä pyytää nimenomaisesti etenemistä

Esimerkki:

Input:  100×75 screenshot with tiny text
        Laplacian variance: 18 (very blurry)

ESRGAN: Upscale to 400×300 (~500ms)
        New Laplacian variance: 87 (sharp)

OCR:    Tesseract confidence: 0.92 (vs 0.42 before upscaling)
        Text: "Click here to continue" (vs garbled before)

Tekniset yksityiskohdat:

// Real-ESRGAN processing
- Input: Any size (processed in 128×128 tiles if large)
- Output: 4× scaled (200×150 → 800×600)
- Model: x4plus variant (general photos)
- Processing: ~500ms for 800×600 image
- Memory: ~2GB peak (tiles reduce this)

Tokentalous:

Scenario: Screenshot with tiny text

Option 1: Send low-res to Vision LLM
  Image: 100×75 = ~20 tokens
  LLM can't read tiny text → fails
  Cost: $0.0002 (wasted)

Option 2: Upscale with ESRGAN, use Tesseract
  ESRGAN: Free (local), 500ms
  Tesseract: Free (local), 50ms
  Success: 92% confidence
  Cost: $0

Result: ESRGAN + local OCR beats Vision LLM for low-res images

4. CLIP

Monimodaaliset sisällytykset semanttisen kuvan hakuun - hankkeita koskevat kuvat ja teksti yhteiseen vektoriteettialueeseen

// Generate embedding for semantic search
var embedding = await clipService.GenerateEmbeddingAsync(imagePath);
// Returns: float[512] vector

// Later: semantic search across thousands of images
var similarImages = await vectorDb.SearchAsync(queryEmbedding, topK: 10);

Miten se toimii:

CLIP ViT-B/32 Visuaalinen koodaus M SK2MB )
Projektoi kuvia 512-ulottuvuusvektoreihin
Opittiin mukauttamaan tekstin kuvauksia
Mahdollistetaan " löytää tämänkaltaisia kuvia" ilman avainsanoja

Käyttäkää tapauksia:

Semanttinen kuvatutkimus RAG-järjestelmissä
Kaksinkertainen havaitseminen (vaikkei tarkistettuaM SK1korjattu )
Content-pohjainen klusterointi
Samankaltaiset kuvat suositukset

Tekniset yksityiskohdat:

// CLIP visual encoder
- Model: ViT-B/32 (Vision Transformer)
- Input: 224×224 RGB (center crop + resize)
- Output: 512-dimensional embedding
- Normalized: L2 norm = 1.0
- Speed: ~100ms per image

Esimerkki:

Input images:
  cat_on_couch.jpg → [0.23, -0.51, 0.88, ...]
  dog_on_couch.jpg → [0.19, -0.48, 0.91, ...]
  car_photo.jpg    → [-0.67, 0.33, -0.12, ...]

Query: "animals on furniture"
  Text embedding → [0.21, -0.50, 0.89, ...]

Cosine similarity:
  cat_on_couch: 0.94 (very similar!)
  dog_on_couch: 0.91 (similar)
  car_photo: 0.12 (not similar)

Result: Returns cat and dog images

5.FlorenceM SK1Visioona-Language Model (Covered in Tier

Lisätietoja Firenzen tilasta -2 ONNX OCR ja katsauksen lähettämisestä .

Auto-Download System

Kaikki mallit laaditaan automaattisesti ensimmäisessä käytössä:

$ imagesummarizer image.png --pipeline auto

[First run]
Downloading EAST scene text detector (~100MB)...
  Progress: ████████████████████ 100% (102.4 MB)
Downloading Florence-2 base model (~250MB)...
  Progress: ████████████████████ 100% (248.7 MB)
Downloading CLIP ViT-B/32 visual (~350MB)...
  Progress: ████████████████████ 100% (347.2 MB)

Models saved to: ~/.mostlylucid/models/
Total disk space: 1.16 GB

[Subsequent runs]
All models cached, analysis starts immediately

Hyvin huonontuminen:

// If ONNX model download fails, system falls back gracefully
EAST unavailable → Try CRAFT → Fall back to Tesseract PSM
Real-ESRGAN unavailable → Skip upscaling, use original image
CLIP unavailable → Skip embeddings, OCR still works
Florence-2 unavailable → Use Tesseract → Vision LLM escalation

Jokainen ONNX-mallin epäonnistuminen tallennetaan fallback-tietä käyttäen, varmistamaan, ettei järjestelmä romahda puuttuneiden mallien vuoksi.

Miksi tämä on tärkeää

Hinnoitteluilmoitus: jäljempänä esitetyt kustannusesimerkit käyttävät kuvaavaa hinnoittelua

Ilman ONNX-malleja (perustalinjaM SK1

Every image → Send to Vision LLM
  Cost: ~$0.005/image (example pricing)
  Time: ~2s network + inference
  100 images = ~$0.50, ~200s

ONNX-mallien kanssa ( paikallinen -ensimmäinenM SK2

85 images → EAST + Florence-2 (local)
  Cost: $0
  Time: ~200ms

10 images → EAST + Tesseract (local)
  Cost: $0
  Time: ~50ms

5 images → EAST + Vision LLM (escalation)
  Cost: ~$0.025 (5 × $0.005)
  Time: ~2s each

100 images = ~$0.025, ~30s total

Säästöt: ~95% kustannusten vähentäminen deterministinen eteneminen.

ONNX-mallit muuntavat järjestelmän "todennäköisyydestä koko ajan alaspäinM SK1todeterministisen perustan " todennäköiseen syventämiseen vain tarpeen vaatiessa

Termi 1: Tesseract OCR

Lähtökohta. NopeutettuM SK1 deterministinen , toimii loistavasti puhdasta tekstistä.

public class OcrWave : IAnalysisWave
{
    public string Name => "OcrWave";
    public int Priority => 60;  // After color/identity

    public async Task<IEnumerable<Signal>> AnalyzeAsync(
        string imagePath,
        AnalysisContext context,
        CancellationToken ct)
    {
        var signals = new List<Signal>();

        // Get preprocessed image from cache
        var image = context.GetCached<Image<Rgba32>>("image");

        // Run Tesseract OCR
        using var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default);
        using var page = engine.Process(image);

        var text = page.GetText();
        var confidence = page.GetMeanConfidence();

        signals.Add(new Signal
        {
            Key = "ocr.text",  // Tesseract OCR result
            Value = text,
            Confidence = confidence,
            Source = Name,
            Tags = new List<string> { "ocr", "text" },
            Metadata = new Dictionary<string, object>
            {
                ["engine"] = "tesseract",
                ["mean_confidence"] = confidence,
                ["word_count"] = text.Split(' ').Length
            }
        });

        signals.Add(new Signal
        {
            Key = "ocr.confidence",
            Value = confidence,
            Confidence = 1.0,
            Source = Name
        });

        return signals;
    }
}

Keskeiset signaalit:

ocr.full_text - Teksti, joka on otettu
ocr.early_exit - Luottamuksen korkean tason välttämiseksi lähetettävä signaali
Luottamuksen tulos johtaa escalaatiopäätöksiin

Luokitus 2: FlorenceM SK1 ONNX

Microsoft's Florence-2 on näkemysmalli, joka excellee tiiviissä captioning- ja OCR-ohjelmissaM SK3 ONNX-version toimii paikallisesti ilman API-kustannuksia

Miksi Firenze-2?

Parempi kuin Tesseract stylisoitujen fontien osalta: Käsit dekoratiiviset tekstit
Nopeampi kuin Vision LLM: ~200ms vs SSK2s
Vapaa: toimii paikallisesti, ei tarvita API-kysymystä
Monimuotoinen ymmärrys: Voi ottaa tekstiä tekstistä kontekstissa

täytäntöönpano

public class MlOcrWave : IAnalysisWave
{
    private readonly Florence2OnnxModel _model;

    public string Name => "MlOcrWave";
    public int Priority => 51;  // Runs AFTER Tesseract (priority 50)

    public async Task<IEnumerable<Signal>> AnalyzeAsync(
        string imagePath,
        AnalysisContext context,
        CancellationToken ct)
    {
        var signals = new List<Signal>();

        // Check if Tesseract already succeeded with high confidence
        var tesseractConfidence = context.GetValue<double>("ocr.confidence");
        if (tesseractConfidence >= 0.95)
        {
            signals.Add(new Signal
            {
                Key = "ocr.ml.skipped",  // Consistent namespace: ocr.ml.*
                Value = true,
                Confidence = 1.0,
                Source = Name,
                Metadata = new Dictionary<string, object>
                {
                    ["reason"] = "tesseract_high_confidence",
                    ["tesseract_confidence"] = tesseractConfidence
                }
            });
            return signals;
        }

        // Run Florence-2 OCR
        var result = await _model.ExtractTextAsync(imagePath, ct);

        signals.Add(new Signal
        {
            Key = "ocr.ml.text",  // Florence-2 ML OCR text
            Value = result.Text,
            Confidence = result.Confidence,
            Source = Name,
            Tags = new List<string> { "ocr", "text", "ml" },
            Metadata = new Dictionary<string, object>
            {
                ["model"] = "florence2-base",
                ["inference_time_ms"] = result.InferenceTime,
                ["token_count"] = result.TokenCount
            }
        });

        // For animated GIFs, extract all unique frames
        if (context.GetValue<int>("identity.frame_count") > 1)
        {
            var frameResults = await ExtractMultiFrameTextAsync(
                imagePath,
                maxFrames: 10,
                ct);

            signals.Add(new Signal
            {
                Key = "ocr.ml.multiframe_text",
                Value = frameResults.CombinedText,
                Confidence = frameResults.AverageConfidence,
                Source = Name,
                Metadata = new Dictionary<string, object>
                {
                    ["frames_processed"] = frameResults.FrameCount,
                    ["unique_text_segments"] = frameResults.UniqueSegments,
                    ["deduplication_method"] = "levenshtein_85"
                }
            });
        }

        return signals;
    }
}

Multi-Frame GIF-käsittely

Animaattien GIF-levyjen osalta, FlorenceM SK1 prosessit ovat enintään 10 paralleluonnellut kehykset

private async Task<MultiFrameResult> ExtractMultiFrameTextAsync(
    string imagePath,
    int maxFrames,
    CancellationToken ct)
{
    // Load GIF and extract frames
    using var image = await Image.LoadAsync<Rgba32>(imagePath, ct);
    var frames = new List<Image<Rgba32>>();

    int frameCount = image.Frames.Count;
    int step = Math.Max(1, frameCount / maxFrames);

    for (int i = 0; i < frameCount; i += step)
    {
        frames.Add(image.Frames.CloneFrame(i));
    }

    // Process all frames in parallel (bounded concurrency to avoid thrashing)
    var semaphore = new SemaphoreSlim(4);  // Max 4 concurrent inferences
    var tasks = frames.Select(async frame =>
    {
        await semaphore.WaitAsync(ct);
        try
        {
            var result = await _model.ExtractTextAsync(frame, ct);
            return result;
        }
        finally
        {
            semaphore.Release();
        }
    });

    var results = await Task.WhenAll(tasks);
    semaphore.Dispose();

    // Deduplicate using Levenshtein distance
    var uniqueTexts = DeduplicateByLevenshtein(
        results.Select(r => r.Text).ToList(),
        threshold: 0.85);

    return new MultiFrameResult
    {
        CombinedText = string.Join("\n", uniqueTexts),
        FrameCount = frames.Count,
        UniqueSegments = uniqueTexts.Count,
        AverageConfidence = results.Average(r => r.Confidence)
    };
}

private List<string> DeduplicateByLevenshtein(
    List<string> texts,
    double threshold)
{
    var unique = new List<string>();

    foreach (var text in texts)
    {
        bool isDuplicate = false;
        foreach (var existing in unique)
        {
            var distance = LevenshteinDistance(text, existing);
            var maxLen = Math.Max(text.Length, existing.Length);
            var similarity = 1.0 - (distance / (double)maxLen);

            if (similarity >= threshold)
            {
                isDuplicate = true;
                break;
            }
        }

        if (!isDuplicate)
        {
            unique.Add(text);
        }
    }

    return unique;
}

Esimerkki: 93-raamikko GIF → \10 näytteenottoraamukset M→ |2 ainutlaatuiset tekstitulokset

Frame 1-45:  "I'm not even mad."
Frame 46-93: "That's amazing."

Routing-päätös

OpenCV-tekstin havaitseminen (~5-20ms) määrittää, mihin suuntaan kulkea :

public class TextDetectionService
{
    public TextDetectionResult DetectText(Image<Rgba32> image)
    {
        // Use OpenCV EAST text detector
        var (regions, confidence) = RunEastDetector(image);

        return new TextDetectionResult
        {
            HasText = regions.Count > 0,
            RegionCount = regions.Count,
            Confidence = confidence,
            Route = SelectRoute(regions, confidence, image)
        };
    }

    private ProcessingRoute SelectRoute(
        List<TextRegion> regions,
        double confidence,
        Image<Rgba32> image)
    {
        // No text detected
        if (regions.Count == 0)
            return ProcessingRoute.NoOcr;

        // Animated GIF with subtitle pattern
        if (image.Frames.Count > 1 && HasSubtitlePattern(regions))
            return ProcessingRoute.AnimatedFilmstrip;

        // High confidence, standard text
        if (confidence >= 0.8 && HasStandardTextCharacteristics(regions))
            return ProcessingRoute.Fast;  // Florence-2 only

        // Moderate confidence
        if (confidence >= 0.5)
            return ProcessingRoute.Balanced;  // Florence-2 + Tesseract voting

        // Low confidence, complex image
        return ProcessingRoute.Quality;  // Full pipeline + Vision LLM
    }

    private bool HasSubtitlePattern(List<TextRegion> regions)
    {
        // Subtitles are typically in bottom 30% of frame
        var bottomRegions = regions.Where(r =>
            r.BoundingBox.Y > r.ImageHeight * 0.7);

        return bottomRegions.Count() >= regions.Count * 0.5;
    }
}

Tieliikenteen suorituskyky

Reitti			Triggers When	2
Nopeutettu	Korkean luottamuksen arvoinen (>0.8), standarditeksti
BALANCED	Suhteellinen luottamus (0.5-0.8) SSK2 FirenzeM SK3 + Tesseract-äänestys		~300ms	Vapaa
Laatu	alhainen luottamus SSK1 monimutkainen	monimuotoinen S-puitekehys M+ Vision LLM
ANIMATED	GIF-levy, jossa on alaotsikkomallia.

Teksti-Ainoastaan pullonpoisto

GIF-otsikkojen läpimurtooptimointi: ekstrakt vain tekstialueet, ei täydet puitteet

Ongelma

Perinteinen lähestymistapa 93-puitteettomalle GIF:lle, johon sisältyy alaotsoja

Option 1: Process every frame
  93 frames × 300×185 × ~150 tokens/frame = 13,950 tokens
  Cost: ~$0.14 @ $0.01/1K tokens
  Time: ~27 seconds

Option 2: Sample 10 frames
  10 frames × 300×185 × ~150 tokens/frame = 1,500 tokens
  Cost: ~$0.015
  Time: ~3 seconds
  Problem: Might miss subtitle changes

Ratkaisu: TekstiM SK1Ainoastaan pisteet

Poistaa vain tekstipuitteet, poistaa taustapixeleet:

2 text regions × 250×50 × ~25 tokens/region = 50 tokens
Cost: ~$0.0005
Time: ~2 seconds
Token reduction: 30×

täytäntöönpano

public class FilmstripService
{
    public async Task<TextOnlyStrip> CreateTextOnlyStripAsync(
        string imagePath,
        CancellationToken ct)
    {
        using var gif = await Image.LoadAsync<Rgba32>(imagePath, ct);

        // 1. Detect subtitle region (bottom 30% of frames)
        var subtitleRegion = DetectSubtitleRegion(gif);

        // 2. Extract frames with text changes
        var uniqueFrames = ExtractUniqueTextFrames(gif, subtitleRegion);

        // 3. Extract tight bounding boxes around text
        var textRegions = ExtractTextBoundingBoxes(uniqueFrames);

        // 4. Create horizontal strip of text-only regions
        var strip = CreateHorizontalStrip(textRegions);

        return new TextOnlyStrip
        {
            Image = strip,
            RegionCount = textRegions.Count,
            TotalTokens = EstimateTokens(strip),
            OriginalTokens = EstimateTokens(gif),
            Reduction = CalculateReduction(strip, gif)
        };
    }

    private Rectangle DetectSubtitleRegion(Image<Rgba32> gif)
    {
        // Analyze bottom 30% of frame for text patterns
        int subtitleHeight = (int)(gif.Height * 0.3);
        int subtitleY = gif.Height - subtitleHeight;

        return new Rectangle(0, subtitleY, gif.Width, subtitleHeight);
    }

    private List<Image<Rgba32>> ExtractUniqueTextFrames(
        Image<Rgba32> gif,
        Rectangle subtitleRegion)
    {
        var uniqueFrames = new List<Image<Rgba32>>();
        Image<Rgba32>? previousFrame = null;

        for (int i = 0; i < gif.Frames.Count; i++)
        {
            var frame = gif.Frames.CloneFrame(i);
            var subtitleCrop = frame.Clone(ctx =>
                ctx.Crop(subtitleRegion));

            // Compare with previous frame
            if (previousFrame == null ||
                HasTextChanged(subtitleCrop, previousFrame, threshold: 0.05))
            {
                uniqueFrames.Add(subtitleCrop);
                previousFrame = subtitleCrop;
            }
        }

        return uniqueFrames;
    }

    private bool HasTextChanged(
        Image<Rgba32> current,
        Image<Rgba32> previous,
        double threshold)
    {
        // Threshold bright pixels (white/yellow text on dark background)
        var currentBright = CountBrightPixels(current);
        var previousBright = CountBrightPixels(previous);

        // Calculate Jaccard similarity of bright pixels
        var intersection = currentBright.Intersect(previousBright).Count();
        var union = currentBright.Union(previousBright).Count();

        var similarity = union > 0 ? intersection / (double)union : 1.0;

        // Text changed if similarity drops below threshold
        return similarity < (1.0 - threshold);
    }

    // Helper type for bounding box + crop
    private record TextCrop
    {
        public required Image<Rgba32> CroppedImage { get; init; }
        public required Rectangle Bounds { get; init; }
    }

    private List<TextCrop> ExtractTextBoundingBoxes(
        List<Image<Rgba32>> frames)
    {
        var textCrops = new List<TextCrop>();

        foreach (var frame in frames)
        {
            // Threshold to get text mask
            var mask = ThresholdBrightPixels(frame, minValue: 200);

            // Find connected components (text regions)
            var components = FindConnectedComponents(mask);

            // Get tight bounding box around all components
            var bbox = GetTightBoundingBox(components);

            // Add padding
            bbox.Inflate(5, 5);

            // Clone the region (dispose properly in production!)
            var cropped = frame.Clone(ctx => ctx.Crop(bbox));

            textCrops.Add(new TextCrop
            {
                CroppedImage = cropped,
                Bounds = bbox
            });
        }

        return textCrops;
    }

    private Image<Rgba32> CreateHorizontalStrip(
        List<TextCrop> textCrops)
    {
        // Calculate strip dimensions
        int totalWidth = textCrops.Sum(c => c.Bounds.Width);
        int maxHeight = textCrops.Max(c => c.Bounds.Height);

        // Create blank canvas
        var strip = new Image<Rgba32>(totalWidth, maxHeight);

        // Paste text regions horizontally
        int xOffset = 0;
        foreach (var crop in textCrops)
        {
            strip.Mutate(ctx => ctx.DrawImage(
                crop.CroppedImage,
                new Point(xOffset, 0),
                opacity: 1.0f));

            xOffset += crop.Bounds.Width;

            // Dispose crop after use (important!)
            crop.CroppedImage.Dispose();
        }

        return strip;
    }
}

Visuaalinen esimerkki

Sisällytys: anchorman-not-even-mad.gif (93 frames, 300×185)

Prosessi:

1. Detect subtitle region: bottom 30% (300×55)
2. Extract unique frames: 93 frames → 2 text changes
3. Extract tight bounding boxes:
   - Frame 1-45: "I'm not even mad." → 252×49 bbox
   - Frame 46-93: "That's amazing." → 198×49 bbox
4. Create horizontal strip: 450×49 total

Tulos: Teksti

Teksti-Only Strip -esimerkki

Token-talous:

Täydet puitteet (10 näytteenottoM SK1 300×185 | | 3 | 10 |
OCR- juosteet (2 raamiotM SK1 300×185 | | × |
Teksti-onnillinen piste:

30× vähennys samalla kun säilytetään kaikki alaotsaketekstit.

Termi 3: Vision LLM Escalation

Kun sekä Tesseract että Florence-2 epäonnistuvat tai tuottavat alhaisiaM SK1luottamustulokset, nousee Vision LLM:hen (GPTMSC4oMST5 Claude MSSK6 SonnetMSV7 Gemini Pro VisionMSP8 tai Ollama-mallit, kuten minicpmMSL9vMS).

Laadun portti

public class OcrQualityWave : IAnalysisWave
{
    private readonly SpellChecker _spellChecker;

    public string Name => "OcrQualityWave";
    public int Priority => 58;  // After Florence-2 and Tesseract

    public async Task<IEnumerable<Signal>> AnalyzeAsync(
        string imagePath,
        AnalysisContext context,
        CancellationToken ct)
    {
        var signals = new List<Signal>();

        // Get best OCR result from earlier waves (priority order)
        string? ocrText =
            context.GetValue<string>("ocr.ml.text") ??  // Florence-2 (priority 51)
            context.GetValue<string>("ocr.text");        // Tesseract (priority 50)

        if (string.IsNullOrWhiteSpace(ocrText))
        {
            signals.Add(new Signal
            {
                Key = "ocr.quality.no_text",
                Value = true,
                Confidence = 1.0,
                Source = Name
            });
            return signals;
        }

        // Run spell check (deterministic quality assessment)
        var spellResult = _spellChecker.CheckTextQuality(ocrText);

        // Additional quality signals to avoid false positives
        var alphanumRatio = CalculateAlphanumericRatio(ocrText);  // Letters/digits vs junk
        var avgTokenLength = CalculateAverageTokenLength(ocrText);

        signals.Add(new Signal
        {
            Key = "ocr.quality.spell_check_score",
            Value = spellResult.CorrectWordsRatio,
            Confidence = 1.0,
            Source = Name,
            Metadata = new Dictionary<string, object>
            {
                ["total_words"] = spellResult.TotalWords,
                ["correct_words"] = spellResult.CorrectWords,
                ["garbled_words"] = spellResult.GarbledWords,
                ["alphanum_ratio"] = alphanumRatio,
                ["avg_token_length"] = avgTokenLength
            }
        });

        // Deterministic escalation threshold
        // NOTE: Spellcheck alone can false-trigger on proper nouns, memes, brand names.
        // Use additional signals (alphanum ratio, token length) to reduce false escalations.
        bool isGarbled = spellResult.CorrectWordsRatio < 0.5 &&
                         alphanumRatio > 0.7;  // Mostly valid characters, just not in dictionary

        signals.Add(new Signal
        {
            Key = "ocr.quality.is_garbled",
          Value = isGarbled,
            Confidence = 1.0,
            Source = Name
        });

        // Signal Vision LLM escalation
        if (isGarbled)
        {
            signals.Add(new Signal
            {
                Key = "ocr.quality.escalation_required",
                Value = true,
                Confidence = 1.0,
                Source = Name,
                Tags = new List<string> { "action_required", "escalation" },
                Metadata = new Dictionary<string, object>
                {
                    ["reason"] = "spell_check_below_threshold",
                    ["quality_score"] = spellResult.CorrectWordsRatio,
                    ["threshold"] = 0.5,
                    ["target_tier"] = "vision_llm"
                }
            });

            // Cache garbled text for Vision LLM to access
            context.SetCached("ocr.garbled_text", ocrText);
        }

        return signals;
    }
}

Escalaatio on deterministinen: pistotarkastustulos < 50% \→ syvenneminenM SK4 Ei ole todennäköistä arviointia

Näkemys LLM:n kanssa Filmstrip

Kun animoitujen GIF:ien eskalointia aktivoidaan, tekstiä on käytettävä-only strip:

public class VisionLlmWave : IAnalysisWave
{
    private readonly IVisionLlmClient _client;

    public string Name => "VisionLlmWave";
    public int Priority => 50;

    public async Task<IEnumerable<Signal>> AnalyzeAsync(
        string imagePath,
        AnalysisContext context,
        CancellationToken ct)
    {
        var signals = new List<Signal>();

        // Check if escalation is required
        var escalationRequired = context.GetValue<bool>(
            "ocr.quality.escalation_required");

        if (!escalationRequired)
        {
            signals.Add(new Signal
            {
                Key = "vision.llm.skipped",
                Value = true,
                Confidence = 1.0,
                Source = Name,
                Metadata = new Dictionary<string, object>
                {
                    ["reason"] = "no_escalation_required"
                }
            });
            return signals;
        }

        // For animated GIFs, use text-only strip
        string imageToProcess = imagePath;
        bool usedFilmstrip = false;

        if (context.GetValue<int>("identity.frame_count") > 1)
        {
            var filmstrip = await CreateTextOnlyStripAsync(imagePath, ct);
            imageToProcess = filmstrip.Path;
            usedFilmstrip = true;

            signals.Add(new Signal
            {
                Key = "vision.filmstrip.created",
                Value = true,
                Confidence = 1.0,
                Source = Name,
                Metadata = new Dictionary<string, object>
                {
                    ["mode"] = "text_only",
                    ["region_count"] = filmstrip.RegionCount,
                    ["token_reduction"] = filmstrip.Reduction,
                    ["original_tokens"] = filmstrip.OriginalTokens,
                    ["final_tokens"] = filmstrip.TotalTokens
                }
            });
        }

        // Build constrained prompt
        var prompt = BuildConstrainedPrompt(context);

        // Call Vision LLM
        var result = await _client.ExtractTextAsync(
            imageToProcess,
            prompt,
            ct);

        // Emit OCR text signal (Vision LLM tier)
        signals.Add(new Signal
        {
            Key = "ocr.vision.text",  // Vision LLM OCR result
            Value = result.Text,
            Confidence = 0.95,  // High but not 1.0 - still probabilistic
            Source = Name,
            Tags = new List<string> { "ocr", "vision", "llm" },
            Metadata = new Dictionary<string, object>
            {
                ["model"] = result.Model,
                ["used_filmstrip"] = usedFilmstrip,
                ["inference_time_ms"] = result.InferenceTime,
                ["token_count"] = result.TokenCount,
                ["cost_usd"] = result.Cost
            }
        });

        // Optionally emit caption if requested (separate from OCR)
        if (result.Caption != null)
        {
            signals.Add(new Signal
            {
                Key = "caption.text",  // Descriptive caption, not OCR
                Value = result.Caption,
                Confidence = 0.90,
                Source = Name,
                Tags = new List<string> { "caption", "description" }
            });
        }

        return signals;
    }

    private string BuildConstrainedPrompt(AnalysisContext context)
    {
        var sb = new StringBuilder();

        sb.AppendLine("Extract all text from this image.");
        sb.AppendLine();
        sb.AppendLine("CONSTRAINTS:");
        sb.AppendLine("- Only extract text that is actually visible");
        sb.AppendLine("- Preserve formatting and line breaks");
        sb.AppendLine("- If no text is present, return empty string");
        sb.AppendLine();

        // Add context from earlier waves
        var garbledText = context.GetCached<string>("ocr.garbled_text");
        if (!string.IsNullOrEmpty(garbledText))
        {
            sb.AppendLine("CONTEXT:");
            sb.AppendLine("Traditional OCR detected garbled text:");
            sb.AppendLine($"  \"{garbledText}\"");
            sb.AppendLine("Use this as a hint for stylized or unusual fonts.");
            sb.AppendLine();
        }

        sb.AppendLine("Return only the extracted text, no commentary.");

        return sb.ToString();
    }
}

Prioriteettinen ketju

Kun kaikki tasot on saatu päätökseen, lopullinen tekstivaliokunta käyttää tiukan ensisijaisuusjärjestyksen

public static string? GetFinalText(DynamicImageProfile profile)
{
    // Priority chain (highest to lowest quality)
    // NOTE: This selects ONE source, but the ledger exposes ALL sources
    // with confidence scores for downstream inspection

    // 1. Vision LLM OCR (best for complex/garbled text)
    var visionText = profile.GetValue<string>("ocr.vision.text");
    if (!string.IsNullOrEmpty(visionText))
        return visionText;

    // 2. Florence-2 multi-frame GIF OCR (best for animations)
    var florenceMultiText = profile.GetValue<string>("ocr.ml.multiframe_text");
    if (!string.IsNullOrEmpty(florenceMultiText))
        return florenceMultiText;

    // 3. Florence-2 single-frame ML OCR (good for stylized fonts)
    var florenceText = profile.GetValue<string>("ocr.ml.text");
    if (!string.IsNullOrEmpty(florenceText))
        return florenceText;

    // 4. Tesseract OCR (reliable for clean standard text)
    var tesseractText = profile.GetValue<string>("ocr.text");
    if (!string.IsNullOrEmpty(tesseractText))
        return tesseractText;

    // 5. Fallback (empty)
    return string.Empty;
}

Jokaisella tasolla on tunnettuja piirteitä:

lähde	signaali avain	paras SSK3 luottamus S	kustannus M
Vision LLM OCR `ocr.vision.text`	monimutkaiset taulukotM SK1 kiertävä teksti, hajanainen	0.95 \|	$0.001-0.01
`ocr.ml.multiframe_text`	AnimaatioGIF-levyt, joihin sisältyy alaotsauksia
`ocr.ml.text`	Stylisoidut fontitM SK1 memet, koristeellinen teksti	0.85-0.90 \| Vapaa
Tesseract `ocr.text`	puhdas standarditekstiM SK1 korkea kontrasti	vaihtelut	Vapaa SSK4 S~50ms M

Kustannusanalyysi

Ennen kolmea-Tier-järjestelmää

100 kuvat, kaikki käyttävät Vision LLM-järjestelmää

100 images × $0.005/image = $0.50
Total time: 100 × 2s = 200 seconds

Kolmen vuoden -Tier-järjestelmän jälkeen

Tieliikenteen jakaminen (tyypillinenM SK1

60 kuvat → nopean matkan reitti
25 kuvat → BALANCED-reitti (Florenssi-2 MISK4 TesseractMSkk5 vapaaMSク6 ~300msMSC8
10 kuvat → laadunvarmuutta koskevat reittit
5 kuvat → kaavailtu etenemisreitti (filmstrip S, M$0.002,

Cost:
  60 × $0 = $0
  25 × $0 = $0
  10 × $0.005 = $0.05
  5 × $0.002 = $0.01
  Total: $0.06

Time:
  60 × 0.1s = 6s
  25 × 0.3s = 7.5s
  10 × 2s = 20s
  5 × 2.5s = 12.5s
  Total: 46 seconds

Savings:
  Cost: 88% reduction ($0.50 → $0.06)
  Time: 77% reduction (200s → 46s)

Keskitaso (FlorenceM SK1 käsittelee 85% kuvia nollakustannuksin

Kaiken yhdistäminen

Here' on täydellinen virta meme-GIF:lle, johon sisältyy alaotsoja.

1. Load image: anchorman-not-even-mad.gif (93 frames)

2. IdentityWave (priority 10):
   → identity.frame_count = 93
   → identity.format = "gif"
   → identity.is_animated = true

3. TextLikelinessWave (priority 40, ~10ms):
   → Heuristic text detection: 15 regions in bottom 30%
   → Subtitle pattern: DETECTED
   → text.likeliness = 0.85

4. OcrWave (priority 50, ~60ms):
   → Run Tesseract OCR on first frame
   → ocr.text = "I'm not emn mad."  (garbled)
   → ocr.confidence = 0.62

5. MlOcrWave (priority 51, ~180ms):
   → Tesseract confidence < 0.95, run Florence-2
   → Sample 10 frames (animated GIF)
   → Run Florence-2 on each frame (parallel)
   → Deduplicate: 10 results → 2 unique texts
   → ocr.ml.multiframe_text = "I'm not even mad.\nThat's amazing."
   → ocr.ml.confidence = 0.91

6. OcrQualityWave (priority 58, ~5ms):
   → Check Florence-2 result
   → Spell check: 6/6 words correct (100%)
   → ocr.quality.is_garbled = false
   → ocr.quality.escalation_required = false

7. VisionLlmWave (priority 80, SKIPPED):
   → No escalation required (Florence-2 succeeded)

Final output:
  Text: "I'm not even mad.\nThat's amazing."
  Source: ocr.ml.multiframe_text
  Confidence: 0.91
  Cost: $0 (local processing)
  Time: ~250ms total (Tesseract + Florence-2)

Jos Florence-2 olisi epäonnistunut M SK1luottamus < 0.5),virta jatkuisi

6. OcrQualityWave:
   → Spell check: 2/6 words correct (33%)
   → ocr.quality.is_garbled = true
   → ocr.quality.escalation_required = true

7. VisionLlmWave:
   → Create text-only filmstrip (2 regions, 450×49)
   → Send to Vision LLM: "Extract all text from this strip"
   → vision.llm.text = "I'm not even mad.\nThat's amazing."
   → Confidence: 0.95
   → Cost: ~$0.002 (30× token reduction vs full frames)
   → Time: ~2.3s

Ohjelmointi

Kolmen tason järjestelmä on täysin konfiguroitavissa

{
  "DocSummarizer": {
    "Ocr": {
      "Tesseract": {
        "Enabled": true,
        "DataPath": "/usr/share/tesseract-ocr/4.00/tessdata",
        "Languages": ["eng"],
        "EarlyExitThreshold": 0.95
      },
      "Florence2": {
        "Enabled": true,
        "ModelPath": "models/florence2-base",
        "ConfidenceThreshold": 0.85,
        "MaxFrames": 10,
        "DeduplicationMethod": "levenshtein",
        "LevenshteinThreshold": 0.85
      },
      "Quality": {
        "SpellCheckThreshold": 0.5,
        "EscalationEnabled": true
      }
    },
    "VisionLlm": {
      "Enabled": true,
      "Provider": "ollama",
      "OllamaUrl": "http://localhost:11434",
      "Model": "minicpm-v:8b",
      "MaxRetries": 3,
      "TimeoutSeconds": 30
    },
    "Filmstrip": {
      "TextOnlyMode": true,
      "SubtitleRegionPercent": 0.3,
      "BrightPixelThreshold": 200,
      "TextChangeThreshold": 0.05
    },
    "Routing": {
      "FastRouteConfidence": 0.8,
      "BalancedRouteConfidence": 0.5,
      "TextDetectionEnabled": true
    }
  }
}

Epäonnistumismenettelyt

Epäonnistuminen
Tesseract on epäonnistunut	Luottamus SSK1 0.7 tai kirjaimentarkastaminen S< \0.5 \	Etene Firenzeen \SSK6 \ SSK7
Florence-2 epäonnistuu	Luottamus < 0.5 tai viittomuusselvityksen tarkastaminen
Vision LLM:n taukoaika	Pyyntö ylittää 30s	Palaa takaisin parhaalle saatavilla olevaan OCR-tulokseen SSK3
Kaikki tasot epäonnistuvat	Kaikki tulokset ovat tyhjiä tai hajanaisia	Palaa luottamuksellisesti tyhjiin stringeihin
API:n hintaraja	päivittäinen budjetti ylitti	Vammainen näkemys LLMM SK2 käyttää Florencea-2 vain SSK4
Malli ei ole saatavilla	FlorenceM SK1Vision LLM offline

Jokainen epäonnistuminen on määriteltävä ja tallennettu täysimääräisesti.

Vertailu muihin lähestymistavoihin

Perinteinen: Tesseract M SK1 Manuaali Fallback

For each image:
  1. Run Tesseract
  2. If looks wrong, manually fix or skip

Problems:
- No middle tier (binary: works or doesn't)
- Manual intervention required
- No cost optimization

Cloud-First: Käyttäkää aina Vision LLM:tä

For each image:
  1. Send to GPT-4o/Claude
  2. Pay $0.005-0.01 per image

Problems:
- Expensive (85% of images could be free)
- Slow (network latency)
- Still hallucinates without constraints

Kolme-TierM SK1Yhdyskuntalaajuinen -Ensinnäkin älykkäällä Escalationilla

For each image:
  1. OpenCV text detection (5-20ms, free)
  2. Route to appropriate tier
  3. Florence-2 handles 85% locally (200ms, free)
  4. Vision LLM only for complex cases (2-5s, $0.001-0.01)

Benefits:
- 88% cost reduction
- 77% faster (most images process locally)
- Deterministic escalation (auditable)
- Filmstrip optimization (30× token reduction)
- Constrained by deterministic signals

Päätelmät

Kolmen vaiheen OCR-putkea osoittavat, että kustannus-tietoinen eteneminen ja paikallinen-ensimmäinen käsittely voidaan parantaa merkittävästi sekä suorituskykyä että taloudellista kannattavuutta uhraamatta laatua.

Keskeiset havainnot:

Florence-2 ONNX on paras paikka: parempi kuin Tesseract stylisoitujen fontien osaltaM SK1 nopeampi ja halvempi kuin Vision LLM
Teksti-onniset pisteet saavuttavat M SK1-token vähennyksen: Poistaa bounding boxitM SK1 ei täydet puitteet
Routing on deterministinen: OpenCV-tutkimuksen havaitseminen
Escalaatio on tilintarkastettava: Jokainen taso antaa alkuperämerkintöjä
Epäonnistuminen on hienoa: painopisteketju varmistaa palautuksen parhaalle saatavilla olevalle lähteelle

Muodon mittakaava: paikallinen deterministinen analyysi → paikallinen ML-malli → pilvieskalaatio, kukin taso tunnettujen ominaispiirteiden ja kustannusten kaupan kanssa

Tämä on rajoitettu hämäryys, jota sovelletaan OCR:n valvontaan.

Resurssit

LucidRAG-asiakirja

ImageSummarizerin kirjasto - Lähdekoodi
Näkemys OCR-integraatio -
Luettelo arkkitehtuurista - Vaivat
Pipeline-asiakirjat - AutoM SK1 tasapainoiset, laatureittit
Viittaus signaaleihin - Täsmällinen signaaliluettelo

CLI-välineet

ImageSummarizer CLI - Päätöslauselma
CLI-luonnos - Käyttely ja konfigurointi
Demo-esitykset - Esimerkki GIF-levyistä ja kehys juosteista

Tutkimusasiakirjat

Florence-2 Paper Microsoftin kielimalli
EAST Text Detector - Tehokas näytelmätekstin havaitseminen
CRAFT-paperi - Character-alueiden tietoisuus
Real-ESRGAN -käytännöllinen super
CLIP-paperi - Opetus siirrettävistä visuaalisista malleista

Osa 4: Kuvatieto - Wave-arkkitehtuurin yleiskatsaus
DocSummarizer - Asiakirjaanalyysiputki
DataSummarizer - Tietoprofiilien luominen

Luettelo

Osuus	Muodot	Keskittyminen SSK3
1	Rajoitettu epämääräisyys	Yksittäinen osake
2	Rajoitettu hämärä MoM	Useat osat
3	Kontextin nostaminen	Aika / muisti
4	Kuvatieto	Wave Architecture
4.1	Kolmen osien OCR-putkea	OCR, ONNX-mallit

Seuraava: Osa 5 osoittaa, miten ImageSummarizer DocSummarizer, ja DataSummarizer compose multi-modal graph RAGin kanssa LucidRAGM SK1

Kaikki osat seuraavat samaa invarianttia: todennäköiset osatekijät ehdottavat; määritelmäjärjestelmät pysyvät.

Rajoitettu hämärä OCR - Kolmas -Tier OCR-putki

Ongelma: Tekstin poistaminen on vaikeaa

Kolmen luokan -Tier OCR-arkkitehtuuri

Termi 1: Tesseract (Traditional OCRM SK2

Taso 2: FlorenceM SK1 ONNX (ML OCR)

Taso 3: Vision LLM (Cloud FallbackM SK2

ONNX Arsenalin : paikalliset ML-mallit

Miksi ONNX?

Viisi ONNX-mallia

1. EASTM SK1 Kuvatekstin tunnistaminen

2.CRAFT

3. todellinen -ESRGAN: SuperM SK3Resoluution nopeuttaminen

4. CLIP

5.FlorenceM SK1Visioona-Language Model (Covered in Tier

Auto-Download System

Miksi tämä on tärkeää

Termi 1: Tesseract OCR

Luokitus 2: FlorenceM SK1 ONNX

Miksi Firenze-2?

täytäntöönpano

Multi-Frame GIF-käsittely

Routing-päätös

Tieliikenteen suorituskyky

Teksti-Ainoastaan pullonpoisto

Ongelma

Ratkaisu: TekstiM SK1Ainoastaan pisteet

täytäntöönpano

Visuaalinen esimerkki

Termi 3: Vision LLM Escalation

Laadun portti

Näkemys LLM:n kanssa Filmstrip

Prioriteettinen ketju

Kustannusanalyysi

Ennen kolmea-Tier-järjestelmää

Kolmen vuoden -Tier-järjestelmän jälkeen

Kaiken yhdistäminen

Ohjelmointi

Epäonnistumismenettelyt

Vertailu muihin lähestymistavoihin

Perinteinen: Tesseract M SK1 Manuaali Fallback

Cloud-First: Käyttäkää aina Vision LLM:tä

Kolme-TierM SK1Yhdyskuntalaajuinen -Ensinnäkin älykkäällä Escalationilla

Päätelmät

Resurssit

LucidRAG-asiakirja

CLI-välineet

Tutkimusasiakirjat

Related Articles

Luettelo