¿Qué es Donut y por qué un enfoque sin OCR?

Donut — это модель для обработки документов, которая реализует OCR-free подход, то есть не использует традиционное оптическое распознавание символов (OCR) для извлечения текста из изображений документов.

Вместо этого Donut применяет архитектуру Transformer, обученную напрямую на изображениях документов и соответствующих текстовых разметках. Это позволяет модели понимать структуру и содержание документа целиком, без необходимости сначала распознавать отдельные символы.

Преимущества OCR-free подхода:

• Уменьшение ошибок, связанных с распознаванием символов
• Возможность работать с разными шрифтами, языками и форматами без дополнительной настройки OCR
• Более глубокое понимание контекста и структуры документа

Таким образом, Donut объединяет визуальное восприятие и генерацию текста в единой модели, что улучшает качество извлечения информации из документов.