Alle Depeschen

DepescheForschung

FineBooks zeigt Grenzen offener OCR an historischen Drucken

Der offene FineBooks-Test prüft OCR-Modelle an 2.165 Seiten aus sechs naturkundlichen Büchern von 1708 bis 1913. Die Seiten enthalten Englisch, Französisch, Deutsch und Latein. Dots.mocr erreicht laut Auswertung 97,6 Prozent Zeichenkorrektheit; historische Schriften, Handschriften und andere Layouts sind nur begrenzt abgedeckt.

FineBooks nutzt Scans aus dem IMPACT-BHL-Korpus und stellt eine fachlich erstellte Referenz mit ungefähr 99,95 Prozent Genauigkeit bereit. Der Datensatz steht unter CC BY 3.0, die Auswertung unter MIT-Lizenz. Bewertet werden 2.165 Seiten aus sechs Büchern und mehrere Fehlertypen.

In der veröffentlichten Auswertung traten 14 Modelle gegeneinander an. Dots.mocr erreichte 97,6 Prozent Zeichenkorrektheit, OvisOCR2 96,9 Prozent. Die Kostenangaben lauten 1,94 Dollar beziehungsweise 0,46 Dollar pro 1.000 Seiten und stammen aus der dortigen Modellübersicht.

Eine hohe Zeichenkorrektheit genügt für eine Edition nicht automatisch. FineBooks wertet neben der Zeichenfehlerrate auch die Wiedererkennung und die Profile über mehrere Achsen aus. Die Testbücher repräsentieren historische Drucke, aber keine allgemeine OCR-Leistung für Fraktur, Handschriften oder beliebige Sprachen.

EleutherAI wird auf der Organisationsseite als Partner von Hugging Face genannt. Die Auswertung ist offen, enthält aber keine öffentliche Sammlung trainierter Modelle. Ergebnisse aus diesem Korpus sollten deshalb als vergleichbarer Testfall gelesen werden, nicht als Rangliste für jede historische Digitalisierung.