Upload 2 files

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+mns.traineddata filter=lfs diff=lfs merge=lfs -text

README.md

@@ -1,3 +1,70 @@
----
-license: apache-2.0
----
+# mns-tesseract
+
+**Дообученный языковой пакет Tesseract для мансийского языка**  
+Базируется на официальной модели `rus.traineddata` (Tesseract 5) и дообучен на специализированном корпусе сканов со шрифтами размера 12–26 pt.
+
+---
+
+## Информация о модели
+
+- **Имя:** mns-tesseract  
+- **Базовая модель:** rus.traineddata (Tesseract 5)  
+- **Размер шрифтов обучения:** 12, 14, 24, 26 pt  
+- **Кол-во шрифтов:** 40 (список потом)  
+- **Данные для дообучения:**  
+  - TIFF-изображения (`.tif`) с аннотациями в формате `.box`  
+  - Генерация LSTM-тренировочных примеров через:
+    ```bash
+    for f in /app/data/ground-truth_other/*.tif; do
+      tesseract "$f" "${f%.tif}" -l mns --psm 6 lstm.train
+    done
+    ```
+- **Конфигурация PSM:** оптимально `--psm 6` для строкового OCR.
+
+---
+
+## Использование
+
+1. **Установка**  
+   Скопируйте `mns.traineddata` в каталог `tessdata` (`C:\Program Files\Tesseract-OCR\tessdata` или `/usr/share/tesseract-ocr/5/tessdata`).
+
+2. **Запуск OCR**  
+   ```bash
+   tesseract <image> <output> -l rus --oem 1 --psm 11
+   ```
+   *Пример:*  
+   ```bash
+   tesseract images/toc.png images/toc -l rus --psm 11 pdf
+   pdftotext -layout images/toc.pdf images/toc.txt
+   ```
+
+3. **Поддерживаемые форматы**  
+   JPEG, TIFF, PNG, BMP и др.
+
+---
+
+## Предобработка для качества
+
+- Удалите фон (thresholding или adaptiveThreshold).  
+- Уберите шум (медианный фильтр, морфологические операции).  
+- Повысите контраст и яркость.
+
+---
+
+## Ограничения
+
+- Шрифты вне диапазона 12–26 pt распознаются хуже.  
+- Модель обучена на кириллице; латинские буквы могут распознаваться некорректно.
+
+---
+
+## Ресурсы
+
+- [Tesseract Command-Line Usage](https://tesseract-ocr.github.io/tessdoc/Command-Line-Usage.html#simplest-invocation-to-ocr-an-image)  
+- [Training Tesseract 5](https://github.com/tesseract-ocr/tessdoc/blob/main/tess5/TrainingTesseract-5.md)
+
+---
+
+## Лицензия
+
+Apache 2.0

mns.traineddata

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:2f3004aa9da7811ee8f7aab01a3804b701df7492231bd844aa0b147a3f63bb85
+size 12054685