YOLO
Выделяет заголовки, текст, изображения и служебные области газетной полосы.
Исторические документы · AI
Из полосы — в статьи
PereStruct распознаёт сложную многоколоночную вёрстку советских газет, исправляет OCR-ошибки и собирает разрозненные блоки в логические статьи.
Совместный проект Библиотеки имени Н. А. Некрасова
и Yandex Cloud для работы с историческими газетными коллекциями.
ПРАВДА
Структура газетной полосы
Автоматическая система выделяет заголовки, колонки и отдельные текстовые блоки на отсканированной странице.
Оптическое распознавание переводит изображение в текст, сохраняя исходную историческую лексику.
Модель связывает заголовки и продолжения статей по геометрическим и смысловым признакам.
Каждая статья получает свой номер и цвет. Результат доступен как структурированный JSON и наглядное изображение.
Большие исходники загружаются напрямую в объектное хранилище по защищённой временной ссылке.
Статья 1
Статья 2
Статья 3
Статья 4
Готовые примеры
Слева — исходная газетная полоса, справа — результат PereStruct. Эти примеры уже обработаны: открыть визуализацию и JSON можно без авторизации и без расходования квоты.
Загружаем готовые результаты…
Попробуйте на своей полосе
Поддерживается JPEG до 50 МБ. Начальные этапы запускаются через устойчивую очередь, а ресурсоёмкая сборка статей выполняется отдельным GPU Job в DataSphere. Сервис показывает текущий этап, прогресс GPU-пакетов и сохраняет результат на 7 дней.
1. Исходное изображение
Авторизация через Яндекс ID защищает ресурсоёмкие операции и позволяет учитывать персональную квоту.
Проверяем авторизацию…
Для запуска распознавания нужен Яндекс ID.
Квота распознавания—
Нужно обработать больше материалов? Заполните заявку на сотрудничество с Центром технологий для общества Yandex Cloud ↗
Доступ для интеграций и администраторов
0.50
Выберите JPEG для распознавания.
2. Ход обработки
Детекция, OCR и коррекция выполняются серверлесно, а ML-сборка статей — на GPU в DataSphere.
1ожидает
Object Storage
Прямая загрузка оригинала
2ожидает
YOLO
Заголовки и текстовые блоки
3ожидает
Vision OCR
Распознавание русского текста
4ожидает
YandexGPT + ML
Коррекция и сборка статей
5ожидает
Результаты
JSON и цветная визуализация
Результаты этапов
История обработки
Запущенные полосы сохраняются в этом браузере. Многостраничный пакет обрабатывается параллельно, а результат каждой страницы появляется сразу после готовности.
История пока пуста — загрузите первую газетную полосу.
Готово
Результат обработки
—страниц
—блоков
—статей
—секунд
Редактор распознанного текста
OCR и автокоррекция остаются неизменными. Пользовательская версия сохраняется отдельно.
Загрузка текстовых блоков…
Ручная коррекция
Исправьте разбиение
Щёлкните по двум или нескольким частям одной открытки, объедините их и перезапустите распознавание. Поворот применяется к самому JPEG и координатам блоков.
Зелёные рамки — текст, красные — заголовки. Выбранные блоки подсвечиваются жёлтым. После объединения они показываются одной синей рамкой.
Как это работает
Оригинальный исследовательский пайплайн запускается без переобучения: те же веса и алгоритм сборки работают в воспроизводимом DataSphere Job с GPU.
Vision OCR
Распознаёт русский текст в каждом найденном блоке параллельными запросами.
YandexGPT
Исправляет только очевидные OCR-искажения и переносы, сохраняя исторический стиль.
ML-кластеризация
Связывает блоки по TF-IDF, геометрии, типу и визуальным признакам YOLO.
JSON + PNG
Возвращает номера статей, координаты, распознанный текст и цветную разметку.
Авторы проекта
Библиотека × технологии
PereStruct создан Библиотекой имени Н. А. Некрасова совместно с Центром технологий для общества Yandex Cloud. Проект помогает работать с цифровыми газетными коллекциями Электронекрасовки и развивается в рамках продолжающейся совместной работы с Некрасовкой. Подробнее об этой работе в блоге Yandex Cloud ↗