# 多言語OCR

PP - OCRv4_mobile_detはPaddleOCRチームによって開発された、モバイルデバイス向けに最適化された効率的なテキスト検出モデルで、エッジデバイスへのデプロイに適しています。

PP-OCRv5_mobile_recはPaddleOCRチームが開発した最新世代のテキスト行認識モデルで、簡体字中国語、繁体字中国語、英語、日本語の4つの言語の認識をサポートし、様々な複雑なテキストシーンに適用できます。

PP - OCRv5_server_recはPaddleOCRチームが開発した最新世代のテキスト行認識モデルで、多言語と複雑なテキストシーンの認識をサポートしています。

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。

Mistral-Small-3.1-24B-Instruct-2503をベースに構築された画像テキストをテキストに変換するモデルで、多言語処理に対応しています。

InternVL3-2BはOpenGVLabが開発した先進的なマルチモーダル大規模言語モデル（MLLM）で、優れたマルチモーダル知覚と推論能力を備え、ツール使用、GUIエージェント、産業画像分析、3D視覚知覚などをサポートします。

MiniCPM-V 2.6は強力なマルチモーダル大規模言語モデルで、スマートフォンなどのデバイスで高効率に動作し、単一画像、複数画像、動画の理解タスクをサポートします。

PaliGemma 2はGemma 2を基にしたアップグレード版の視覚言語モデルで、多言語の画像テキスト入力とテキスト出力をサポートし、視覚言語タスク専用に設計されています

MiniCPM-o 2.6のint4量子化バージョンで、GPUのVRAM使用量を大幅に削減し、マルチモーダル処理能力をサポートします。

PaliGemma 2はGoogleが発表したアップグレード版の視覚言語モデルで、Gemma 2とSigLIP視覚モデルの能力を統合し、多言語画像テキストインタラクションタスクをサポートします。

PaliGemma 2はGemma 2ベースの視覚言語モデルで、画像+テキスト入力をサポートし、テキスト応答を出力します。様々な視覚言語タスクに適しています。

PaliGemma 2はGemma 2をベースにした視覚言語モデルで、画像とテキストの入力をサポートし、テキスト出力を生成します。様々な視覚言語タスクに適しています。

PaliGemma 2はGemma 2をベースとした視覚言語モデルで、画像とテキストの入力をサポートし、テキストを生成する出力を行い、さまざまな視覚言語タスクに適しています。

TrOCRアーキテクチャに基づくデーヴァナーガリ光学文字認識モデルで、ネパール語/デーヴァナーガリ文字に特化してファインチューニングされています

TrOCRベースの手書き文字モデルをファインチューニングしたタイ語と英語の光学文字認識モデルで、手書きテキスト行画像の処理に優れています

このモデルはウルドゥー語OCRタスク専用に訓練されており、単一行のウルドゥー語テキスト画像の処理に最適で、主に活字テキストに焦点を当てています。

これはTrOCRベースの中世草書体識別モデルで、ラテン語、フランス語、イタリア語、スペイン語、カタルーニャ語の中世手書きテキストを識別するために特別に設計されています。

TrOCR-Ruは、microsoft/trocr-base-handwrittenをロシア語と英語の合成データセットでファインチューニングした光学文字認識モデルで、画像からテキストへの変換タスクに特化しています。

TrOCRは、Transformerベースの光学文字認識モデルで、画像からテキストコンテンツを抽出するために使用されます。

Transformerアーキテクチャに基づくOCRシステムで、中央クルド語のテキスト認識に特化しており、合成データを使用してトレーニングされています。

Pix2StructはOCR-VQAタスクでファインチューニングされた視覚質問応答モデルで、画像内のテキスト内容を解析し質問に答えることができます

Pix2Structは画像エンコーダ-テキストデコーダモデルで、画像-テキストペアで訓練され、画像キャプション生成や視覚QAなど複数のタスクをサポートします。

Pix2Structは画像エンコーダ-テキストデコーダモデルで、画像-テキストペアデータによるマルチタスク学習を行い、特にチャートQAタスク向けにファインチューニングされています

このモデルはdonut-baseをラトビア領収書データセットで微調整したバージョンで、主に領収書画像処理タスクに使用されます

TensorFlow 2とPyTorchに基づく光学文字認識(OCR)モデルで、多言語テキストの検出と認識をサポート

TensorFlow 2とPyTorchに基づく光学文字認識技術、多言語文書認識をサポート