Teljes Automata HTR FutószalagKraken + TrOCR PageXML PipelineEz a modul egy "End-to-End" (végponttól végpontig) dokumentum-feldolgozó adatfolyamot valósít meg. Képes a nyers oldal-képektől indulva a sorok felismerésén át egészen a szabványos, kereshető PageXML fájlok generálásáig mindent egyetlen lépésben, automatikusan elvégezni.✨ Főbb funkciók és Működési elvAutomatikus Szegmentálás (Fallback logika): A rendszer beolvassa a bemeneti mappát. Ha egy képhez nem talál hozzá tartozó XML fájlt, a háttérben automatikusan meghívja a Kraken modellt, legenerálja a sorok koordinátáit, és létrehozza a PageXML vázat.Memória-optimalizált Képkivágás: Nem szemeteli tele a merevlemezt apró, kivágott sor-képekkel. A beolvasott XML koordináták (Bounding Box) alapján a rendszer röptében, a memóriában vágja ki a sorokat egy beállítható pixel-ráhagyással (padding), és adja át az AI-nak.Szövegfelismerés (TrOCR): A memóriában lévő kép-szeleteket a finomhangolt TrOCR modellünk olvassa el, kihasználva a GPU gyorsítást.Szabványos XML Injektálás ("Beoltás"): A felismert magyar szöveget a rendszer nemcsak egy nyers szövegfájlba menti, hanem intelligensen beilleszti a PageXML struktúrába. Automatikusan létrehozza a megfelelő és tageket a megfelelő csomóponton belül.📂 Könyvtárszerkezet és BemenetA szkript futtatása előtt a fájlokat az alábbi struktúrába kell rendezni:Plaintextprojekt_mappa/ ├── checkpoint-5400/ # A betanított TrOCR modell mappája ├── model/ │ └── segmentation.mlmodel # A Kraken sorfelismerő (blla) modellje ├── oldalak/ # BEMENET: Ide jönnek a .jpg/.png képek (és az esetleges .xml-ek) └── felismert_szovegek/ # KIMENET: Ide generálja a program az eredményt 🛠️ Telepítési követelmények (Dependencies)A szkript futtatásához a következő Python csomagok szükségesek:Bashpip install torch transformers lxml Pillow tqdm kraken ⚙️ Konfiguráció és HasználatA kód elején található változókkal könnyedén testreszabható a folyamat:VáltozóLeírásAlapértelmezett értéktrocr_model_pathA finomhangolt szövegfelismerő modell útvonala."./checkpoint-5400"kraken_model_pathA Kraken szegmentáló modell útvonala."./model/segmentation.mlmodel"data_folderA nyers képeket és XML-eket tartalmazó bemeneti mappa."./oldalak"output_folderA kész szövegek és XML-ek célmappája."./felismert_szovegek"paddingA sorok körüli vágási ráhagyás (margó) pixelben.5📄 KimenetA folyamat lezárulta után a kimeneti mappában minden eredeti képhez két fájl jön létre:Egy .txt fájl: Amely a teljes oldal összefüggő, olvasható szövegét tartalmazza.Egy .xml fájl (PageXML): Amely tartalmazza a fizikai koordinátákat és a beléjük injektált felismert szöveget is.[!IMPORTANT]Ez a formátum közvetlenül importálható professzionális HTR szoftverekbe (pl. eScriptorium, Transkribus).