Я уже когда-то говорил, что, как пилот дрона, обращаю много внимания на висящие провода в городе. Когда был в Москве, тоже смотрел наверх, и, кажется, проводов там прям намного меньше: я почти не встречал жутких переплетений даже в центре, да и редкий одинокий кабель через улицу в спальном районе Москвы куда менее частое зрелище, чем в Петербурге.
Зависит ли это от в среднем бОльшего расстояния между домами, из-за которого провода натягивать труднее? Или есть какое-то регулирование?
Вообще, существуют ли нормы в этом вопросе? Может ли мне кто-то помешать просто так взять и натянуть провод между домами в произвольном месте? Есть ли случаи, когда людей за это действительно привлекали?
Сейчас мне кажется, что в Петербурге этот вопрос полностью заброшен, и любой человек может творить с воздушным пространством между домами почти всё, что хочет, если только это не запрещённая вывеска. По крайней мере, за проводами вряд ли кто-то вообще следит. Особенно это заметно в центре: мало где над центральными улицами нет адской волосни.
Один из признаков того, что городским властям не наплевать на облик города — это как раз регулирование таких вопросов. Фотографию я сделал сегодня недалеко от Восстания.#life
Image to Text OCR is a utility website made by Alejandro Akbal for extracting text from any image using #OCR.
This tool was made for those moments where you take a photo of some text and wish you could have it digitally.
https://github.com/AlejandroAkbal/Image-to-Text-OCR
Online: https://image-to-text-ocr.netlify.app/
🦉 LightOnOCR-1B: новая быстрая OCR-модель от LightOn
Модель дистиллирована из Qwen2-VL-72B-Instruct и обучена на корпусе из 17.6 млн страниц / 45.5 млрд токенов.
🔥 Главное:**
-1 B параметров
- позволяет обрабатывать 5.7 страниц/с на одном H100 (это примерно ≈ 493 000 страниц за день)
- Распознаёт таблицы, формы, уравнения и сложные макеты
- 6.5× быстрее dots.ocr, 1.7× быстрее DeepSeekOCR
- Расходы < $0.01 за 1000 страниц A4
📊 Качество (Olmo-Bench):
- Превосходит DeepSeekOCR
- Сопоставима с dots.ocr (при этом модель в 3 раза меньше по весу)
- +16 пт к Qwen3-VL-2B-Instruct
Эта моделька - отличный баланс качества, скорости и стоимости.
🟢Модель 1B: https://huggingface.co/lightonai/LightOnOCR-1B-1025
🟢Модель 0.9B (32k): https://huggingface.co/lightonai/LightOnOCR-0.9B-32k-1025)
🟢Блог LightOn:https://huggingface.co/blog/lightonai/lightonocr
🟢Демка: https://huggingface.co/spaces/lightonai/LightOnOCR-1B-Demo
@ai_machinelearning_big_data
#ocr#ml
📄 DeepSeek-OCR - модель для распознавания текста 🔍
DeepSeek выпустили мощную OCR-модель, способную преобразовывать изображения документов прямо в Markdown или текст.
Что умеет:
- Распознаёт текст на изображениях и в PDF
- Работает с документами, таблицами и сложными макетами
- Поддерживает разные режимы: Tiny, Small, Base, Large
- Оптимизирована под GPU (PyTorch + CUDA 11.8)
- MIT-лицензия — можно свободно использовать и модифицировать
DeepSeek-OCR достигает высокой точности и эффективности за счёт компрессии визуальных токенов. На Omnidocbench - лучшая точность при минимуме визуальных токенов, превосходит другие OCR-модели по эффективности и скорости.
🟠HF: https://huggingface.co/deepseek-ai/DeepSeek-OCR
🟠Github: https://github.com/deepseek-ai/DeepSeek-OCR
🟠Paper: https://github.com/deepseek-ai/DeepSeek-OCR/blob/main/DeepSeek_OCR_paper.pdf
@ai_machinelearning_big_data
#ocr#DeepSeek