بایدو مدل هوش مصنوعی PP-OCRv5 را برای تشخیص دقیق متن منتشر کرد

شرکت فناوری چینی بایدو، پس از معرفی موفقیت‌آمیز مدل Ernie X1.1، اکنون گام دیگری در توسعه هوش مصنوعی برداشته و مدل جدید PP-OCRv5 را رونمایی کرده است. این مدل پیشرفته تشخیص نوری حروف (OCR) که هم‌اکنون از طریق پلتفرم Hugging Face در دسترس عموم قرار دارد، با قابلیت‌های منحصربه‌فرد خود، نویدبخش تحولی بزرگ در پردازش و تحلیل متون است.

PP-OCRv5 با تمرکز بر دقت و کارایی، به گونه‌ای طراحی شده که ضعف‌های رایج در مدل‌های بزرگ بینایی زبان را برطرف کند. در حالی که بسیاری از مدل‌های هوش مصنوعی در خواندن متون ساختاریافته و جزئی با چالش مواجه هستند، PP-OCRv5 با رویکردی دو مرحله‌ای، این مشکل را به طور موثری حل می‌کند.

قابلیت‌های کلیدی مدل هوش مصنوعی PP-OCRv5

مدل PP-OCRv5 به طور خاص برای غلبه بر محدودیت‌های موجود در تشخیص متن طراحی شده است. این مدل در دو مرحله اصلی عمل می‌کند:

• مرحله اول: ابتدا موقعیت دقیق متن را در تصویر شناسایی می‌کند.
• مرحله دوم: سپس به خواندن و استخراج خود متن می‌پردازد.

این رویکرد هوشمندانه، به مدل امکان می‌دهد تا با دقت بی‌نظیری، داده‌ها را از اسناد مختلف استخراج کرده و فرم‌ها را تحلیل کند. این ویژگی PP-OCRv5 را به ابزاری بسیار کاربردی برای صنایع مختلف تبدیل می‌کند.

سبک‌وزنی و کارایی بالا

یکی از برجسته‌ترین ویژگی‌های PP-OCRv5، سبک‌وزنی و حجم کم آن است. این مدل تنها ۰.۰۷ میلیارد پارامتر دارد که در مقایسه با مدل‌های شناخته‌شده در حوزه OCR، بسیار کوچک محسوب می‌شود. این حجم کم، امکان اجرای مدل را بر روی طیف وسیعی از دستگاه‌ها، از جمله سیستم‌های موبایل و کامپیوترهای معمولی، فراهم می‌آورد.

بایدو با آزمایش این مدل بر روی سیستم‌های موبایل، مشاهده کرده است که PP-OCRv5 می‌تواند بیش از ۳۷۰ کاراکتر در ثانیه را روی پردازنده اینتل Xeon پردازش کند. این قابلیت، نیاز به دیتاسنترهای بزرگ و پرهزینه را از بین می‌برد و امکان استفاده از هوش مصنوعی لبه (Edge AI) را گسترش می‌دهد.

عملکرد رقابتی و پشتیبانی چندزبانه

بایدو در مقایسه‌ای که بین PP-OCRv5 و مدل‌های مطرحی چون جمینای ۲.۵ پرو و GPT-4o انجام داده، نشان داده است که مدل جدیدش عملکردی بسیار خوب و رقابتی دارد. این مدل نه تنها قادر به پردازش دقیق متون چاپی است، بلکه در تشخیص و خواندن متون دست‌نویس نیز توانایی بالایی از خود نشان می‌دهد.

علاوه بر این، PP-OCRv5 از بیش از ۴۰ زبان مختلف پشتیبانی می‌کند که آن را به ابزاری قدرتمند و جهانی برای توسعه‌دهندگان و کسب‌وکارها تبدیل می‌کند. دسترسی آسان به این مدل از طریق Hugging Face، فرصت‌های جدیدی را برای نوآوری و کاربردهای متنوع در اختیار جامعه توسعه‌دهندگان قرار می‌دهد.