Muhandislik blogi · Ochiq benchmark

Qozoqcha Tesseract benchmarki: 9 ta harf boʻyicha ochiq sinov

Uchta model toʻplami, toʻrtta namuna, sunʼiy bezaklarsiz. Aniq raqamlar, zaif nuqtalar va qayta tekshirish uchun ochiq skriptlar.

Standart OCR dvigateli qozoqcha hujjatlarni qoʻshimcha sozlashlarsiz toʻgʻri taniydimi? Biz toʻqqizta maxsus harf boʻyicha ochiq sinov oʻtkazdik.

QisqachaBiz neyrotizimli tuzatishlarsiz toʻrtta sintetik qozoq tili matni namunasida Tesseract 5.5.0 oflayn dvigatelining ochiq muhandislik sinovini oʻtkazdik. Aniq bosma matnda xatolik 0,3% dan past boʻldi, biroq jadvallar va qalin sarlavhalarda har beshinchi qozoq harfi adashadi. Toʻqqizta maxsus harfni toʻgʻri oʻqish uchun kaz til moduli ulanishi shart.

Vazifa · qozoq tilidagi hujjatlarni avtomatlashtiruvchi texnik mutaxassis

Qachon tizimga qozoq tilidagi hisob-fakturalar va arizalar kelib tushganda, men xohlayman toʻqqizta maxsus harf boʻyicha OCR dvigatelining aniq xatolik darajasini bilish, shunda ishonchli qismlarni robotga topshirib, muhim maʼlumotlarni inson nazoratida qoldirish.

Biz aynan nimani oʻlchadik va bu ochiq sinov nima uchun oʻtkazildi?

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

Sizning vazifangiz bilan bogʻliqligiBosma matndagi past xatolik darajasi hujjatlarni dastlabki qabul qilishda mustahkam poydevor yaratadi.

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

Sizning vazifangiz bilan bogʻliqligiBosma matndagi past xatolik darajasi hujjatlarni dastlabki qabul qilishda mustahkam poydevor yaratadi.

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

Sizning vazifangiz bilan bogʻliqligiBosma matndagi past xatolik darajasi hujjatlarni dastlabki qabul qilishda mustahkam poydevor yaratadi.

Tesseract benchmarkida aynan nimalar oʻlchandi?

Biz toʻrtta sintetik qozoqcha namuna boʻyicha Tesseract 5.5.0 oflayn dvigatelini tekshirib, CER, WER va 9 ta maxsus harf xatoliklarini oʻlchadik.

Nega kaz tili modulisiz qozoqcha matn mutlaqo oʻqilmaydi?

kaz moduli ulanmasa, tizim qozoq harflarini rus yoki lotin harflariga almashtiradi va barcha 271 ta maxsus harfda xato qiladi.

Eskidan nima itaradi

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

Yangiga nima tortadi

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

Nima tashvishlantiradi

Misreading crucial amounts or names in complex table invoices.

Odatiy yoʻlda nima ushlab turadi

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

Oʻlchov metodikasi va sinov muhiti qanday tashkil etilgan?

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.

Toʻrtta sintetik namuna boʻyicha ochiq sinov natijalari

Nima sababdan jadvallar va qalin matnlar yomonroq oʻqiladi?

Jadval chiziqlari va qalin shrift harf chegaralarini buzadi: natijada qozoq harflarining 21 foizi adashib ketadi.

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.

Qaysi qozoq harflari koʻproq xatoliklarga uchraydi?

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.

Turli Tesseract modellari oʻzini qanday koʻrsatdi?

How documents progress through OCR evaluation

  1. KiruvchiDocument Render

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

  2. HisobTesseract Extraction

    Engine processes image using configured language packs.

  3. Takroriy aloqaCharacter Alignment

    jiwer aligns characters to flag letter substitutions.

  4. NatijaReport Generation

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

Ushbu oflayn sinov brauzerdagi DocScan dasturidan qanday farqlanadi?

Bu sinov sof oflayn dvigatel imkoniyatlarini tekshiradi, DocScan esa brauzerda maxsus lugʻatlar va filtrlardan foydalanadi.

Bu biznesingizga nima beradi

  1. RaqamWithout kaz pack: all 271 Kazakh letters fail
    Bu siz uchun nimani anglatadiStandard Cyrillic models cannot recognize the 9 unique letters
    aitomaton-da nima javob beradiInstall kaz.traineddata in tessdata directory
    QiymatEnables recognition of Kazakh characters
  2. RaqamTable layouts: 21% letter error rate
    Bu siz uchun nimani anglatadiGrid lines and bold font weights degrade OCR accuracy
    aitomaton-da nima javob beradiUse tessdata_best model and omit eng pack
    QiymatReduces misread characters in enterprise receipts
  3. RaqamDiacritic confusion: Қ to К, Ұ to У
    Bu siz uchun nimani anglatadiSubtle glyph accents are dropped in complex layouts
    aitomaton-da nima javob beradiDictionary-based automated post-processing
    QiymatEnsures verified accuracy before filing

Ushbu sintetik sinov nimalarni koʻrsatmaydi?

Ushbu natijalar asosida barcha hujjatlar aniqligini kafolatlab boʻladimi?

Yoʻq. Bu sintetik bosma matnlar tahlili. Haqiqiy skanerlar va qoʻlyozmalar doimo inson nazoratini talab qiladi.

Oʻz hujjatlaringizda ushbu sinovni qanday takrorlash mumkin?

  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.

Koʻp beriladigan savollar

Tesseract benchmarkida aynan nimalar oʻlchandi?

Biz toʻrtta sintetik qozoqcha namuna boʻyicha Tesseract 5.5.0 oflayn dvigatelini tekshirib, CER, WER va 9 ta maxsus harf xatoliklarini oʻlchadik.

Nega kaz tili modulisiz qozoqcha matn mutlaqo oʻqilmaydi?

kaz moduli ulanmasa, tizim qozoq harflarini rus yoki lotin harflariga almashtiradi va barcha 271 ta maxsus harfda xato qiladi.

Nima sababdan jadvallar va qalin matnlar yomonroq oʻqiladi?

Jadval chiziqlari va qalin shrift harf chegaralarini buzadi: natijada qozoq harflarining 21 foizi adashib ketadi.

Ushbu oflayn sinov brauzerdagi DocScan dasturidan qanday farqlanadi?

Bu sinov sof oflayn dvigatel imkoniyatlarini tekshiradi, DocScan esa brauzerda maxsus lugʻatlar va filtrlardan foydalanadi.

Ushbu natijalar asosida barcha hujjatlar aniqligini kafolatlab boʻladimi?

Yoʻq. Bu sintetik bosma matnlar tahlili. Haqiqiy skanerlar va qoʻlyozmalar doimo inson nazoratini talab qiladi.

Oʻz maʼlumotlaringizda koʻring

Uch kun bepul yoki jarayoningizni tahlil qilish bilan demo.

Yangilandi:

Platforma namoyishiga yozilish

Biznes jarayonlaringizda AI-agentlarning qanday ishlashini koʻrsatamiz, voronkani tahlil qilamiz va barcha savollarga javob beramiz.