OCR persa con YOLO y CRNN: pipeline de reconocimiento de texto

Reconocer texto persa con OCR presenta retos particulares. A diferencia del inglés, el alfabeto persa se escribe de derecha a izquierda, las letras cambian de forma según su posición y hay menos conjuntos de datos abiertos disponibles. Una solución efectiva es construir un pipeline en dos etapas que combine detección de regiones de texto con YOLO y reconocimiento de caracteres con CRNN, siguiendo la lógica detectar ? recortar ? reconocer.

Preparación del conjunto de datos. Para OCR persa necesitamos dos tipos de datos: un conjunto de detección para entrenar YOLO con imágenes anotadas mediante cajas delimitadoras alrededor de palabras o líneas, y un conjunto de reconocimiento para entrenar CRNN con recortes de palabras o líneas y sus transcripciones correctas. Se pueden usar herramientas de etiquetado como labelImg o plataformas como Roboflow para las anotaciones. Otra opción es generar datos sintéticos renderizando texto persa sobre fondos aleatorios y con distintas tipografías para aumentar la diversidad. YOLO utiliza el formato class x_center y_center width height con valores normalizados entre 0 y 1.

Entrenamiento de YOLO para detección de texto. Para buenos resultados se recomienda usar YOLOv8. Un ejemplo de comando de entrenamiento es yolo detect train data=persian_text.yaml model=yolov8s.pt epochs=50 imgsz=640. Tras el entrenamiento, YOLO devolverá cajas delimitadoras que localizan las regiones de texto en la imagen.

Entrenamiento de CRNN para reconocimiento de texto. CRNN combina CNN para extraer características, RNN para modelar secuencias y CTC loss para alinear predicciones con etiquetas. Defina el conjunto de caracteres persa que incluirá las letras necesarias y el espacio, y codifique las etiquetas como secuencias de índices. Un ejemplo simplificado en PyTorch que ilustra la arquitectura es el siguiente

import torch import torch.nn as nn class CRNN(nn.Module): def __init__(self, num_classes): super(CRNN, self).__init__() self.cnn = nn.Sequential( nn.Conv2d(1, 64, 3, 1, 1), nn.ReLU(), nn.MaxPool2d(2, 2), nn.Conv2d(64, 128, 3, 1, 1), nn.ReLU(), nn.MaxPool2d(2, 2) ) self.rnn = nn.LSTM(128*8, 256, bidirectional=True, num_layers=2) self.fc = nn.Linear(512, num_classes) def forward(self, x): x = self.cnn(x) b, c, h, w = x.size() x = x.permute(3, 0, 1, 2).contiguous().view(w, b, c*h) x, _ = self.rnn(x) x = self.fc(x) return x

Use CTC loss para alinear las salidas de la red con las etiquetas sin necesidad de segmentación carácter por carácter. Para la inferencia, la salida del CRNN tiene forma T por B por num_classes y debe decodificarse aplicando un algoritmo de beam search o greedy y eliminando tokens repetidos y blanks.

Combinando YOLO y CRNN. El flujo general es imagen ? YOLO ? cajas delimitadoras. Para cada caja se recorta la región, se normaliza la altura manteniendo la relación de aspecto y se pasa al CRNN para obtener la predicción de texto. Dado que el persa es de derecha a izquierda, asegúrese de invertir el orden de las secuencias reconocidas antes de concatenarlas a nivel de línea o párrafo.

Retos y recomendaciones. Texto de derecha a izquierda: invierta la secuencia de salida del CRNN antes del ensamblado final. Tipografías y ruido: aplique aumento de datos con desenfoque, rotación, cambios de brillo y variaciones tipográficas para mejorar la generalización. Dataset pequeño: emplee transfer learning o ajuste fino de modelos preentrenados, por ejemplo modelos de PaddleOCR, para acelerar la convergencia. Si trabaja en infraestructuras escalables, combine el entrenamiento y despliegue con servicios cloud como AWS o Azure para repartir cargas y servir modelos en producción.

Servicios profesionales y oportunidades de negocio. En Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida especializada en soluciones de inteligencia artificial, ciberseguridad y servicios cloud. Ofrecemos implementaciones personalizadas de OCR y pipelines de IA para empresas, integrando capacidades de agentes IA, analítica avanzada y cuadros de mando basados en Power BI para casos de uso reales. Si necesita desarrollar una solución de software a medida visite software a medida y para proyectos de inteligencia artificial y consultoría de IA para empresas consulte inteligencia artificial. Nuestra oferta incluye además servicios de ciberseguridad, pentesting, servicios cloud aws y azure, servicios inteligencia de negocio y automatización de procesos.

Palabras clave y posicionamiento. Este artículo cubre temas relevantes como aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi para mejorar el posicionamiento web en búsquedas relacionadas con soluciones de OCR y automatización inteligente.

Conclusión. Combinando la detección robusta de YOLO con la capacidad de reconocimiento secuencial de CRNN se obtiene un pipeline flexible y efectivo para OCR persa que puede extenderse a otros alfabetos de derecha a izquierda como árabe o urdu. Si busca soporte profesional para diseñar, entrenar e integrar este tipo de soluciones en su entorno empresarial, Q2BSTUDIO puede ayudarle a llevar el proyecto a producción con seguridad y escalabilidad.