Разработка OCR-модели для распознавания текста на мансийском языке

В статье рассматривается проблема разработки системы оптического распознавания символов (OCR) для мансийского языка - малоресурсного финно-угорского языка с уникальным набором диакритических знаков. Основная задача исследования заключается в адаптации существующих OCR-технологий к специфике мансийской письменности, характеризующейся ограниченным объемом оцифрованных текстов и наличием специфических графических символов. Для решения этой задачи был разработан комплексный подход, включающий генерацию обширного синтетического набора данных с учетом вариативности шрифтов и нормализации Unicode, дообучение модели Tesseract 5 методом трансферного обучения на базе предобученной русскоязычной модели, а также оценку качества распознавания с использованием метрик CER и WER. В результате была получена специализированная модель, демонстрирующая значение метрики CER на уровне 0,85%, что в двадцать раз превосходит результаты базовой модели (18,5%). Разработанная модель реализована в виде публичного веб-сервиса и размещена в открытом доступе, что обеспечивает возможность автоматизированной оцифровки печатных источников на мансийском языке и способствует сохранению культурного наследия коренных народов Севера.