DeepSeek-OCRはDeepSeek AIが開発した高度な光学文字認識モデルで、視覚テキスト圧縮の限界を探求し、画像からテキスト内容を効率的に抽出および変換できます。

マルチモーダルSafetensorsその他

これはQwen2.5-VL-7B-Instructをベースに微調整されたFP8量子化バージョンのOCRモデルで、ドキュメント画像のテキスト認識に特化しており、効率的な大規模ドキュメント処理をサポートします。

マルチモーダルTransformers英語

Perseus-Doc-vl-0712は、多言語をサポートするビジュアル言語モデルで、テキスト生成、画像キャプション生成、光学文字認識などのタスクに適しています。

マルチモーダルTransformers多言語

Perseus-Doc-vl-0712は、英語と中国語をサポートする視覚言語モデルで、テキスト生成推論、画像キャプション生成、光学文字認識などのさまざまなタスクに適しています。

マルチモーダルTransformers多言語

Perseus-Doc-vl-0712量子化モデルは、テキスト生成推論、画像キャプション生成、光学文字認識などの多領域アプリケーションをサポートするビジュアルと言語の理解モデルで、transformersライブラリに基づいて構築されています。

マルチモーダルTransformers多言語

MonkeyOCRは、構造 - 認識 - 関係（SRR）の三元パラダイムに基づく文書解析モデルで、PDFや画像文書を効率的に処理し、テキスト、数式、表などの構造化された内容を抽出し、中国語と英語の文書解析をサポートします。

マルチモーダルSafetensors多言語

Nanonets-OCR-sは、画像をMarkdown形式に変換する高度な光学文字認識（OCR）モデルで、文書を構造化されたMarkdown形式に変換し、スマートな内容認識とセマンティックなタグ付け機能を備えています。

マルチモーダルTransformers英語

Nanonets-OCR-sは強力な画像をMarkdownに変換するOCRモデルで、文書を構造化されたMarkdownに変換し、インテリジェントな内容認識と意味的マーキングを行うことができます。

マルチモーダルTransformers英語

RT-DETR-L_wireless_table_cell_detは高精度の表セル検出モデルで、表認識タスク用に設計されており、表画像内の各セル領域を正確に位置決めしてマーキングすることができます。

UVDocは主にテキスト画像に対して幾何変換を行い、画像中の文書の歪み、傾き、透視変形などの問題を修正し、後続のテキスト認識の精度を向上させます。

SLANeXt_wiredは表構造認識に使用されるディープラーニングモデルで、編集できない表画像を編集可能な表形式（HTMLなど）に変換することができます。

SLANetは表構造認識に使用されるモデルで、編集できない表画像を編集可能な表形式（HTMLなど）に変換することができます。

RT - DETR - L_wired_table_cell_detは表認識タスクの重要なモジュールで、主に表画像内の各セル領域を位置決めしてマーキングする役割を担います。

SLANet_plusは表構造認識に使用されるモデルで、編集できない表画像を編集可能な表形式（HTMLなど）に変換でき、表認識システムで重要な役割を果たし、表認識の精度と効率を効果的に向上させることができます。

SLANeXt_wirelessは表構造認識に使用されるモデルで、編集できない表画像を編集可能なHTML形式に変換できます。

Microsoft Florence-2ベースモデルをファインチューニングした画像からテキストへの変換モデルで、スウェーデン語と英語をサポートし、歴史的手書きテキスト認識と光学文字認識に特化しています。

マルチモーダルSafetensors多言語

Qwen/Qwen2-VL-2B-Instructをファインチューニングしたマルチモーダルモデルで、OCR、画像からテキストへの変換、LaTeX数式解決、手書き認識に最適化

マルチモーダルGguf多言語

Qwen2.5-Omniはエンドツーエンドのマルチモーダルモデルで、テキスト、画像、音声、ビデオなど様々なモダリティを認識し、ストリーミング方式でテキストと自然音声応答を生成できます。

マルチモーダルTransformers英語

Qwen2.5-Omniはエンドツーエンドのマルチモーダルモデルで、テキスト、画像、音声、動画を含む複数のモダリティを認識し、ストリーミング方式でテキストと自然な音声応答を生成できます。

マルチモーダルTransformers英語

Kerasフレームワークで構築された畳み込みニューラルネットワーク（CNN）で、64×64グレースケール画像から単一の日本語文字を認識するために特別に設計されており、手書き体と印刷体の両方を認識可能です。

コンピュータビジョンTensorflow日本語