KazNU-OCR-Layout

YOLOv8-модель для layout detection (определения структурных блоков) страниц казахской университетской газеты «Qazaq Universiteti». Часть пайплайна hybrid active learning newspaper OCR: модель находит на странице заголовки, колонки текста, фотографии, авторов и другие блоки — это первый шаг перед OCR-распознаванием текста.

Подробности подхода: см. hybrid_active_learning_newspaper_ocr.md в исходном репозитории на GitHub (ссылка появится после публикации).

Версии

Все три версии — это последовательные итерации одного active learning цикла. Каждая следующая версия обучена на расширенном/исправленном датасете.

Версия	Train/Val страниц	Классов	mAP50 (overall)	Что изменилось
v1_retry	40/10	11	0.614	Первая модель, эталонная разметка 50 страниц
v2	51/14	11	0.890	+ 15 доразмеченных сложных страниц (фоторепортажи)
v3	51/14	9	0.958	Убраны редкие шумные классы caption, continuation_marker

Рекомендуется использовать v3 — самая точная и стабильная версия.

Классы (v3)

0: headline      — заголовок статьи
1: text_column   — колонка текста
2: photo         — фотография/иллюстрация
3: author        — автор статьи
4: page_number   — номер страницы
5: masthead      — шапка газеты
6: footer        — футер страницы
7: teaser        — анонс другой статьи
8: junk          — мусор, декоративные элементы

Метрики v3 (per-class mAP50)

Класс	mAP50
headline	0.952
text_column	0.984
photo	0.964
author	0.904
masthead	0.990
footer	0.995
teaser	0.913

Использование

from ultralytics import YOLO

model = YOLO("v3/best.pt")
results = model("page.png")

for box in results[0].boxes:
    cls_name = model.names[int(box.cls)]
    conf = float(box.conf)
    print(f"{cls_name}: {conf:.3f}")

Ограничения

• Обучена и протестирована только на издании «Qazaq Universiteti» (вёрстка InDesign, казахский язык). Перенос на другие газеты/вёрстки не гарантирован без доразметки.
• Малый датасет (65 страниц) — редкие на странице элементы (например, таблицы, рекламные блоки) могут распознаваться нестабильно.
• Не делает OCR текста — только находит и классифицирует блоки макета.