Visión Por Computadora on SoloSoft

Filtraciones de Apple： Cuatro estilos de montura en prueba para las gafas inteli

Mon, 01 Jan 0001 00:00:00 +0000

¿Por qué Apple elige definir sus gafas inteligentes comenzando por el “estilo de montura”?

Respuesta directa: porque Apple sabe muy bien que, para que las gafas inteligentes tengan éxito, la condición primordial es “que la gente quiera usarlas fuera de casa”. Por muy impresionante que sea la tecnología, si el aspecto es voluminoso y no se ajusta a la estética diaria, está destinado a ser solo un juguete para un nicho de entusiastas. A partir de los cuatro estilos filtrados —rectangular audaz, rectangular delgado, clásico redondo/ovalado, ovalado compacto— se puede ver que la estrategia de Apple es cubrir todo el espectro de preferencias de los usuarios, desde lo profesional empresarial y las declaraciones de moda hasta lo clásico y discreto. Esta no es una opción de diseño arbitraria, sino una matriz estratégica de productos segmentada meticulosamente en el mercado.

GOT-OCR2.0: Teoría General de OCR Hacia OCR-2.0 con Modelo Unificado de Extremo a Extremo

Mon, 01 Jan 0001 00:00:00 +0000

El Reconocimiento Óptico de Caracteres ha sido un problema resuelto durante décadas, para documentos escaneados limpios con texto sencillo. Pero el mundo real del contenido visual es mucho más desordenado y diverso. Ecuaciones matemáticas con notación compleja, tablas con estructuras de celdas irregulares, partituras musicales con símbolos especializados y texto de escenas en letreros y etiquetas desafían todos los enfoques tradicionales de OCR que asumen texto limpio y lineal sobre fondos uniformes.

GOT-OCR2.0 (Teoría General de OCR, versión 2.0), desarrollado por investigadores de Ucas-HaoranWei, representa un cambio de paradigma hacia lo que los autores llaman OCR-2.0. En lugar de la tubería tradicional de módulos de detección, segmentación y reconocimiento encadenados, GOT-OCR2.0 es un único modelo de extremo a extremo con 580 millones de parámetros que mapea directamente píxeles de imagen a salida de texto estructurado.

LayoutParser: Toolkit Unificado de Código Abierto para Análisis de Imágenes de Documentos

Mon, 01 Jan 0001 00:00:00 +0000

LayoutParser fue construido para acabar con el caos del procesamiento de documentos. Este toolkit de aprendizaje profundo de código abierto proporciona una interfaz unificada para tareas de análisis de imágenes de documentos.

Repositorio: github.com/Layout-Parser/layout-parser

Capacidades Clave

Capacidad	Descripción	Opciones de Backend
Detección de Diseño	Detectar regiones (texto, tablas, figuras)	Detectron2, TensorFlow, ADQ
OCR	Extraer texto de regiones detectadas	Tesseract, motores personalizados
Zoo de Modelos	Modelos preentrenados	PubLayNet, Prima, Newspaper

Inicio Rápido

pip install layoutparser

import layoutparser as lp
image = lp.load_image("document.png")
model = lp.DetectionModel("lp://PubLayNet/faster_rcnn_r50_fpn")
result = model.detect(image)
lp.draw_box(image, result, box_width=5).show()

Zoo de Modelos

Dataset	Modelos Disponibles	Tipos de Región
PubLayNet	Faster R-CNN, Mask R-CNN, RetinaNet	Texto, Título, Tabla, Figura, Lista
Prima	Faster R-CNN, Mask R-CNN	Texto, Imagen, Tabla, Gráfico
Newspaper	Faster R-CNN	Texto, Foto, Ilustración, Mapa

Integración OCR

ocr_agent = lp.TesseractAgent()
text_blocks = ocr_agent.detect(image)

table_blocks = [b for b in result if b.type == "Table"]
for block in table_blocks:
 text = ocr_agent.detect(block.crop(image))
 print(text)

FAQ

Qué es LayoutParser? Toolkit Python de código abierto para análisis de imágenes de documentos, unificando detección de diseño, OCR y zoo de modelos.