| --- |
| language: |
| - tr |
| license: apache-2.0 |
| pipeline_tag: image-to-text |
| base_model: lightonai/LightOnOCR-2-1B-base |
| library_name: transformers |
| tags: |
| - ocr |
| - document-understanding |
| - turkish |
| - enterprise |
| - vision-language |
| - werea |
| datasets: |
| - Werea-co/werea-tr-doc-ocr-enterprise-v2 |
| --- |
| |
| # Werea-DocOCR-1B v2 — Türkçe Kurumsal Belge OCR (Enterprise) 📄🇹🇷 |
|
|
| [LightOnOCR-2-1B-base](https://huggingface.co/lightonai/LightOnOCR-2-1B-base) |
| tabanının **12 Türkçe kurumsal belge türü × 3 çekim koşulu** ile fine-tune'u. |
| Sayfa görüntüsünü okuma sırasına uygun, tablolar dahil **markdown** olarak çıkarır. |
| v1 sürümü `revision="v1"` altında korunur. |
|
|
| ## Belge türleri (12) |
|
|
| Genel vekaletname · DASK poliçesi · e-Arşiv fatura · Konut kira sözleşmesi · |
| Banka dekontu · Tapu senedi · Maaş bordrosu · Kasko poliçesi · Araç tescil |
| bilgi formu · Resmî kurum yazısı · Ticaret sicil ilanı · SGK hizmet dökümü |
|
|
| ## Çekim koşulları (3) |
|
|
| `clean` (dijital) · `scan` (tarayıcı: eğim, gürültü, toner bandı) · |
| `photo` (telefon: perspektif, gölge, düşük DPI) |
|
|
| ## Sonuçlar |
|
|
| 72 ayrılmış test sayfasında (12 tür × 3 koşul × 2), greedy üretim: |
|
|
| | Model | CER (ort.) | CER (medyan) | |
| |---|---:|---:| |
| | LightOnOCR-2 taban | 64,2% | 61,6% | |
| | Werea-DocOCR-1B **v1** | ~8,1% | 0,16% | |
| | **Werea-DocOCR-1B v2** | **0,15%** | **0,15%** | |
|
|
| v2, v1'in zorlandığı **fotoğraf ve tarama koşullarındaki** yoğun tabloları |
| (SGK dökümü, bordro) çözerek ortalama CER'i %8,1'den **%0,15'e** düşürdü; |
| kolay koşullardaki kusursuz performansı korudu. |
|
|
| > ⚠️ Test sayfaları eğitimle aynı sentetik dağıtımdandır (şablon-içi ölçüm). |
| > Gerçek tarama/fotoğraf belgelerde doğrulama önerilir; kritik kullanımda insan kontrolü. |
|
|
| ## Eğitim |
|
|
| - **Veri:** [werea-tr-doc-ocr-enterprise-v2](https://huggingface.co/datasets/Werea-co/werea-tr-doc-ocr-enterprise-v2) |
| — 12.960 tamamı sentetik sayfa (geçersiz-checksum TC/IBAN/plaka, kurgusal kimlikler) |
| - **Yöntem:** tam-parametre SFT, 1 epoch (810 adım), lr 8e-6, bf16, |
| gradient checkpointing + 8-bit AdamW, tek RTX 3090 |
|
|
| ## Kullanım |
|
|
| ```python |
| import torch |
| from transformers import LightOnOcrForConditionalGeneration, LightOnOcrProcessor |
| |
| model = LightOnOcrForConditionalGeneration.from_pretrained( |
| "Werea-co/Werea-DocOCR-1B", torch_dtype=torch.bfloat16).to("cuda") |
| processor = LightOnOcrProcessor.from_pretrained("Werea-co/Werea-DocOCR-1B") |
| |
| conv = [{"role": "user", "content": [{"type": "image", "path": "belge.jpg"}]}] |
| inputs = processor.apply_chat_template(conv, add_generation_prompt=True, |
| tokenize=True, return_dict=True, return_tensors="pt") |
| inputs = {k: v.to("cuda", dtype=torch.bfloat16) if v.is_floating_point() else v.to("cuda") |
| for k, v in inputs.items()} |
| out = model.generate(**inputs, max_new_tokens=2048) |
| print(processor.decode(out[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True)) |
| ``` |
|
|
| ## Lisans |
|
|
| Apache-2.0. Taban: **lightonai/LightOnOCR-2-1B-base** (LightOn). [Werea](https://werea.co). |
|
|
| <div align="center"><sub>💜 <a href="https://werea.co">werea.co</a> — Fikirden üretime.</sub></div> |
|
|
