Скорость полёта FPV-дрона зависит от многих параметров, но управляется наклоном курсовой камеры. В самом деле — для создания горизонтальной тяги дрон летит "носом вниз", поэтому камеру, наоборот, задирают вверх относительно плоскости корпуса. У Nazgul из коробки угол камеры довольно большой, на что я сначала не посмотрел.
В общем, видео ниже без ускорения. Совсем. Учитывая, что это мой первый FPV-полёт на настоящем дроне без автоматики, можете представить, как было страшно. И по ощущениям страшно, и за дрон тоже (падение в болото это с высокой вероятностью потеря дрона). Страшно, но кайфово. Контроль достаточно тонкий, а обзор достаточно погружающий, чтобы пилот ощущал именно себя несущимся куда-то на дикой скорости. И на подобных открытых пространствах это особенно сильно проявляется. Я после этого чуть-чуть полетал вблизи городской местности и над постройками — совсем не то.
Совершенно новые впечатления. Более крутые, чем от DJI, который относительно медленный в рамках FPV и более тяжёлый, из-за чего у него выше инерция. Но приземляться пока не умею, сложно. Как раз из-за угла камеры землю под собой ты не видишь при движении на небольшой скорости, так что надежда только на его прочность и способность выдерживать падения с небольшой высоты, которые у меня вместо посадки пока что. Нужно больше учиться.
Но угол камеры я чуть уменьшил. Наберусь опыта, тогда верну :)
https://www.youtube.com/watch?v=OAasFai9b3U
#drone#hobby#gadgets
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