许可证：Apache-2.0
语言：

• 芬兰语
• 瑞典语
  评估指标：
• CER（字符错误率）
  任务标签：图像转文本

模型描述

模型名称： multicentury-htr-model

模型类型： 基于Transformer的OCR（TrOCR）

基础模型： microsoft/trocr-large-handwritten

用途： 手写文本识别

支持语言： 瑞典语、芬兰语

许可证： Apache 2.0

该模型是基于microsoft/trocr-large-handwritten微调的版本，专用于识别手写文本。其训练数据涵盖17至20世纪多种手写样本，适用于文档数字化、表格识别或其他涉及手写文本提取的任务。

模型架构

采用Transformer架构（TrOCR），包含编码器-解码器结构：

• 编码器处理手写文本图像
• 解码器生成对应文本输出

使用场景

本模型专为手写文本识别设计，适用于：

• 文档数字化（如档案整理、历史手稿转录）
• 手写笔记转写

训练数据

训练数据集包含超过76万行手写文本样本，覆盖多样化的书写风格和文本类型。

评估结果

在测试集上的关键指标如下：
字符错误率（CER）： 3.2
测试集规模： 约94,900行文本

使用方法

可通过Hugging Face的pipeline函数或手动加载处理器与模型使用：

from transformers import TrOCRProcessor, VisionEncoderDecoderModel
from PIL import Image

# 加载处理器与模型
processor = TrOCRProcessor.from_pretrained("Kansallisarkisto/multicentury-htr-model/processor")
model = VisionEncoderDecoderModel.from_pretrained("Kansallisarkisto/multicentury-htr-model")

# 打开手写文本图像
image = Image.open("path_to_image.png")

# 预处理与预测
pixel_values = processor(image, return_tensors="pt").pixel_values
generated_ids = model.generate(pixel_values)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

print(generated_text)

局限性

• 主要训练数据为基本拉丁字母（A-Z, a-z）及北欧特殊字符（å, ä, ö）
• 未涵盖非拉丁字母（如汉字、西里尔文、阿拉伯文等）
• 对芬兰语、瑞典语和英语外的语言泛化能力有限

未来改进

• 扩展训练数据：纳入更多书写风格和语言
• 领域优化：针对特定领域手写体微调

引用规范

若使用本模型，请按以下格式引用：

@misc{multicentury_htr_model_2024,
author = {Kansallisarkisto},
title = {Multicentury HTR Model: Handwritten Text Recognition},
year = {2024},
publisher = {Hugging Face},
howpublished = {\url{https://huggingface.co/Kansallisarkisto/multicentury-htr-model/}},
}

模型卡作者

作者：芬兰国家档案馆
联系方式：riikka.marttila@kansallisarkisto.fi, ilkka.jokipii@kansallisarkisto.fi