---
license: mit
language:
- pl
- en
library_name: transformers
pipeline_tag: image-to-text
base_model: microsoft/trocr-base-printed
tags:
- trocr
- ocr
- polish
- historical-print
- experimental
model-index:
- name: trocr-pl-base
  results:
  - task:
      type: image-to-text
      name: OCR line recognition
    dataset:
      name: OCR Engine real-lines-v1
      type: PiotrStyla/OCR_engine
    metrics:
    - type: cer
      value: 0.11108010047446273
      name: CER
    - type: wer
      value: 0.3584
      name: WER
---

# TrOCR PL Base — experimental

Eksperymentalny checkpoint `microsoft/trocr-base-printed` dostrojony metodą
LoRA do drukowanego tekstu polskiego. Model przyjmuje obraz **pojedynczej
linii**, a nie całą stronę dokumentu.

## Status

**Experimental — nie jest jeszcze modelem produkcyjnym.** Checkpoint wyraźnie
poprawia angielski baseline na polskich liniach, ale pełny pipeline stron jest
ograniczony przez segmentację i nie powinien być oceniany wynikiem samego
recognizera.

## Wyniki

| Zbiór | Zakres | CER | WER |
|---|---|---:|---:|
| syntetyczny validation | 200 linii | 4,86% | 21,41% |
| `real-lines-v1` | 75 ręcznie wyciętych realnych linii | **11,11%** | **35,84%** |
| `real-lines-v1`, EN baseline | te same 75 linii | 81,91% | 100,16% |
| `print-pilot-v1` | 2 pełne strony z OpenCV segmentacją | 66,17% | 86,08% |

Realne cropy pochodzą z dwóch historycznych polskich stron public domain.
Referencje przygotował jeden autor bez niezależnej drugiej weryfikacji.
Pełny wynik stron obejmuje detekcję, segmentację, kolejność i rozpoznawanie;
nie jest wynikiem samego checkpointu.

Benchmark i predykcje:
[OCR_engine/benchmarks/real-lines-v1](https://github.com/PiotrStyla/OCR_engine/tree/main/benchmarks/real-lines-v1)
oraz
[experiments/2026-09-13](https://github.com/PiotrStyla/OCR_engine/tree/main/experiments/2026-09-13).

## Trening

- baza: `microsoft/trocr-base-printed`, rewizja
  `93450be3f1ed40a930690d951ef3932687cc1892`,
- dane: [PiotrSty/ocr-pl-lines](https://huggingface.co/datasets/PiotrSty/ocr-pl-lines),
  2000 syntetycznych linii train + 200 validation,
- 3 epoki, batch 8 na T4 x2,
- LoRA dekodera attention (`q_proj`, `k_proj`, `v_proj`, `out_proj`),
- 3 047 424 trenowanych parametrów (0,9044%),
- najlepszy checkpoint wybrany po CER: epoka 3,
- Transformers 4.57.6, PEFT 0.19.1,
- jawnie wyrównana strata tokenowa, bez podwójnego przesunięcia etykiet.

Pełna proweniencja, hashe próbek i wersje pakietów znajdują się w `run.json`.
Adapter LoRA jest zachowany w `adapter/`; model główny jest scalony i można go
ładować bez PEFT.

## Użycie

```python
from PIL import Image
from transformers import TrOCRProcessor, VisionEncoderDecoderModel

model_id = "PiotrSty/trocr-pl-base"
processor = TrOCRProcessor.from_pretrained(model_id)
model = VisionEncoderDecoderModel.from_pretrained(model_id)

image = Image.open("line.png").convert("RGB")
pixel_values = processor(image, return_tensors="pt").pixel_values
ids = model.generate(pixel_values, max_new_tokens=128)
print(processor.batch_decode(ids, skip_special_tokens=True)[0])
```

W silniku OCR model należy włączyć jawnie:

```python
from ocr import OcrConfig, OcrEngine

config = OcrConfig(recognizer_pl="PiotrSty/trocr-pl-base", force_language="pl")
with OcrEngine(config) as engine:
    result = engine.recognize("document.png")
```

## Ograniczenia

- trenowany głównie na danych syntetycznych;
- przetestowany tylko na małym pilocie historycznego druku;
- niezweryfikowany na piśmie ręcznym, tabelach, formularzach i szerokim
  przekroju współczesnych dokumentów;
- wymaga poprawnych cropów pojedynczych linii;
- może degenerować na krótkich, zaszumionych liniach i znakach interpunkcyjnych;
- confidence jest sygnałem niepewności, a nie skalibrowanym prawdopodobieństwem.