Инженерлік блог · Ашық сынақ

Қазақша Tesseract сынағы: 9 әріп бойынша ашық заңды сараптама

Үш модельдер жинағы, төрт үлгі, ешқандай жасанды безендірусіз. Нақты сандар, осал тұстар және нәтижені қайталауға арналған ашық скрипттер.

Стандартты OCR қазақ тіліндегі құжаттарды қосымша баптаусыз тани ала ма? Біз тоғыз ерекше әріп бойынша ашық инженерлік тексеру жүргіздік.

ҚысқашаБіз нейрожелілік түзетусіз төрт синтетикалық қазақша мәтін үлгісінде Tesseract 5.5.0 офлайн қозғалтқышының ашық инженерлік сынағын өткіздік. Таза баспа мәтінінде қате 0,3%-дан төмен, ал кестелер мен жуан тақырыптарда әрбір бесінші қазақ әрпі шатасады. kaz тілдік модулін қосу тоғыз ерекше әріпті тану үшін міндетті болып табылады.

Міндет · қазақ тіліндегі құжат айналымын автоматтандыратын инженер

Қашан жүйеге қазақша шот-фактуралар мен өтініштер келіп түскенде, мен қалаймын тоғыз ерекше әріп бойынша OCR қозғалтқышының нақты қателерін білу, сонда қауіпсіз тұстарды автоматқа беріп, жауапты мәліметтерді адам тексеруіне қалдыру.

Біз нені өлшедік және бұл ашық сынақ не үшін жасалды?

629
Kazakh letters analyzed across 4 document samplesАитоматон Open Benchmark · 2026-10-13

Сіздің міндетіңізбен байланысыБаспа мәтініндегі төмен қате үлесі құжаттарды алғашқы сұрыптау үшін сенімді негіз береді.

0.05%
CER on clean printed sample with eng+rus+kaz modelsАитоматон Open Benchmark · 2026-10-13

Сіздің міндетіңізбен байланысыБаспа мәтініндегі төмен қате үлесі құжаттарды алғашқы сұрыптау үшін сенімді негіз береді.

4.1%
CER on invoice table sample where letter error rate peakedАитоматон Open Benchmark · 2026-10-13

Сіздің міндетіңізбен байланысыБаспа мәтініндегі төмен қате үлесі құжаттарды алғашқы сұрыптау үшін сенімді негіз береді.

Tesseract сынағында нақты не өлшенді және қандай нәтиже алынды?

Біз төрт синтетикалық қазақша үлгі бойынша Tesseract 5.5.0 қозғалтқышын сынап, CER, WER және 9 ерекше әріп бойынша қате үлесін өлшедік.

Неліктен kaz тілін қоспай қазақша мәтін мүлдем оқылмайды?

kaz модулі болмаса, қозғалтқыш қазақ әріптерін орыс не латын әріптеріне ауыстырады: мысалы қ әрпі к-ге, ң әрпі н-ге айналып, 271 әріп те түгел қате танылады.

Ескіден не итермелейді

Documents arrive in Kazakh while default OCR pipelines lack validation on 9 distinct letters.

Жаңаға не тартады

Clean printed Kazakh achieves under 0.3% error rate, sufficient to automate intake pipelines.

Не мазалайды

Misreading crucial amounts or names in complex table invoices.

Үйреншікті жолда не ұстайды

Relying on generic Cyrillic models until an invoice header fails unexpectedly.

Өлшеу әдістемесі және сынақ контуры қалай құрылған?

We evaluated offline Tesseract CLI version 5.5.0 across four document samples rendered at 300 DPI using DejaVu Sans fonts. Every test run compared character-level alignments against verified ground truth files to count exact substitutions, deletions, and insertions.

Төрт үлгі бойынша ашық сынақтың нақты нәтижелері

Неге кестелер мен қалың тақырыптар нашар танылады?

Кесте сызықтары мен қалың қаріп таңба шекараларын бұзады: қазақ әріптерінің 21%-ы орыс ұқсастарымен шатасып кетеді.

Clean Printed Text

Error rates stay minimal at CER 0.05% with only one mistake across 271 Kazakh letters. Clean font documents can safely enter automated processing without manual re-typing.

Bilingual Kazakh-Russian

Code-switching text achieves CER 0.08%. Combining rus+kaz language models preserves character fidelity across mixed vocabularies.

Invoice & Grid Tables

Table borders and uppercase bold titles elevate error rate to 4.1%, confusing every fifth Kazakh character. This structure demands automated dictionary correction.

Қай қазақ әріптерінде қателер жиі кездеседі?

Letter-level error breakdowns demonstrate that characters with subtle diacritics encounter the highest risk of misclassification:

  • Қ frequently degrades into Cyrillic К.
  • Ұ transforms into standard У.
  • Ң is misinterpreted as Cyrillic Н.

Tesseract-тың әртүрлі модельдері өзін қалай көрсетті?

How documents progress through OCR evaluation

  1. КірісDocument Render

    Synthetic Kazakh text is rasterized at 300 DPI into PNG samples.

  2. Есепке алуTesseract Extraction

    Engine processes image using configured language packs.

  3. Қайталама байланысCharacter Alignment

    jiwer aligns characters to flag letter substitutions.

  4. НәтижеReport Generation

    Results are written into results.csv and per-letter.csv logs.

Бұл офлайн замер браузердегі DocScan жұмысынан қалай ерекшеленеді?

Бұл сынақ таза Tesseract 5.5.0 қозғалтқышын тексереді, ал DocScan браузерде қосымша сүзгілер мен сөздік арқылы өңдеу жасайды.

Бұл сіздің бизнесіңізге не береді

  1. СанWithout kaz pack: all 271 Kazakh letters fail
    Бұл сіз үшін нені білдіредіStandard Cyrillic models cannot recognize the 9 unique letters
    аитоматон-да не жауап бередіInstall kaz.traineddata in tessdata directory
    ҚұндылықEnables recognition of Kazakh characters
  2. СанTable layouts: 21% letter error rate
    Бұл сіз үшін нені білдіредіGrid lines and bold font weights degrade OCR accuracy
    аитоматон-да не жауап бередіUse tessdata_best model and omit eng pack
    ҚұндылықReduces misread characters in enterprise receipts
  3. СанDiacritic confusion: Қ to К, Ұ to У
    Бұл сіз үшін нені білдіредіSubtle glyph accents are dropped in complex layouts
    аитоматон-да не жауап бередіDictionary-based automated post-processing
    ҚұндылықEnsures verified accuracy before filing

Бұл синтетикалық сынақ нені көрсетпейді?

Осы өлшем бойынша кез келген құжаттың дәлдігіне кепілдік беруге бола ма?

Жоқ. Бұл таза қаріптер бойынша базалық инженерлік сынақ. Нақты сканерлеу мен телефон суреттері әрдайым маманның бақылауын қажет етеді.

Өз құжаттарыңызда бұл сынақты қалай қайталауға болады?

  1. Step 1: Setup EnvironmentInstall Tesseract 5.5, Pillow, numpy, and jiwer in a Python virtual environment.
  2. Step 2: Generate SamplesRun render.py to generate 300 DPI test images from gt ground truth files.
  3. Step 3: Execute OCRRun score.py to execute Tesseract CLI and calculate CER and WER metrics.
  4. Step 4: Inspect Letter MetricsReview per-letter.csv to evaluate specific substitution patterns for your domain.

Жиі қойылатын сұрақтар

Tesseract сынағында нақты не өлшенді және қандай нәтиже алынды?

Біз төрт синтетикалық қазақша үлгі бойынша Tesseract 5.5.0 қозғалтқышын сынап, CER, WER және 9 ерекше әріп бойынша қате үлесін өлшедік.

Неліктен kaz тілін қоспай қазақша мәтін мүлдем оқылмайды?

kaz модулі болмаса, қозғалтқыш қазақ әріптерін орыс не латын әріптеріне ауыстырады: мысалы қ әрпі к-ге, ң әрпі н-ге айналып, 271 әріп те түгел қате танылады.

Неге кестелер мен қалың тақырыптар нашар танылады?

Кесте сызықтары мен қалың қаріп таңба шекараларын бұзады: қазақ әріптерінің 21%-ы орыс ұқсастарымен шатасып кетеді.

Бұл офлайн замер браузердегі DocScan жұмысынан қалай ерекшеленеді?

Бұл сынақ таза Tesseract 5.5.0 қозғалтқышын тексереді, ал DocScan браузерде қосымша сүзгілер мен сөздік арқылы өңдеу жасайды.

Осы өлшем бойынша кез келген құжаттың дәлдігіне кепілдік беруге бола ма?

Жоқ. Бұл таза қаріптер бойынша базалық инженерлік сынақ. Нақты сканерлеу мен телефон суреттері әрдайым маманның бақылауын қажет етеді.

Өз деректеріңізде көріңіз

Үш күн тегін немесе процесті талдаумен демо.

Жаңартылды:

Платформа демонстрациясына жазылу

ИИ-агенттердің бизнес-процестеріңізде қалай жұмыс істейтінін көрсетеміз, воронканы талдап, сұрақтарыңызға жауап береміз.