# OCR Annotator

Веб-инструмент для разметки кропов текста. Показывает изображение, вы вводите текст,
результат сохраняется в `labels.tsv` — готовый формат для дообучения TrOCR.

## Быстрый старт через Docker

### 1. Установите Docker и Docker Compose (если ещё нет)

```bash
# Ubuntu / Debian
sudo apt update
sudo apt install -y docker.io docker-compose-plugin

# Добавьте себя в группу docker (чтобы не писать sudo)
sudo usermod -aG docker $USER
newgrp docker
```

### 2. Скачайте / разархивируйте проект

```bash
# Перейдите в папку проекта
cd ocr-annotator
```

### 3. Положите ваши кропы в папку data/images

```bash
mkdir -p data/images

# Скопируйте ваши кропы:
cp /path/to/your/crops/*.jpg data/images/
# или
cp -r /path/to/your/crops/. data/images/
```

Поддерживаемые форматы: `jpg`, `jpeg`, `png`, `bmp`, `tiff`, `webp`

### 4. Запустите

```bash
docker compose up --build
```

Откройте браузер: **http://localhost:5000**

При следующих запусках (образ уже собран):
```bash
docker compose up
```

Остановить:
```bash
docker compose down
```

---

## 🤖 Авто-разметка (TrOCR)

В шапке рабочего экрана есть кнопка **🤖 Авто-разметка**. Она прогоняет все
**неразмеченные** картинки текущей подпапки через модель TrOCR и сохраняет
предсказания с пометкой «авто» — то есть **требуется ручная перепроверка**.

- Авто-метки в списке файлов и в счётчике отмечены оранжевым и значком 🤖.
- Фильтр **🤖 Проверить** показывает только авто-метки, ожидающие проверки.
- Как только вы вручную сохраняете такую метку (Enter / «Сохранить»), пометка
  «авто» снимается — метка становится проверенной.
- Прогресс показывается в статус-баре; разметка идёт в фоне, можно продолжать
  проверять уже готовые картинки.

Модель задаётся переменной `TROCR_MODEL` (по умолчанию `raxtemur/trocr-base-ru`
— TrOCR, дообученная на русский). Можно указать любую HuggingFace-модель типа
`VisionEncoderDecoder`, например `microsoft/trocr-base-printed`. При первом
запуске модель скачивается из HuggingFace и кэшируется в `data/hf_cache`
(переменная `HF_HOME`), поэтому повторные запуски быстрые.

> В экспортируемый `labels.tsv` пометка «авто» **не попадает** — там остаётся
> чистый формат `имя_файла<TAB>текст` для дообучения TrOCR.

---

## Горячие клавиши

| Клавиша       | Действие                    |
|---------------|-----------------------------|
| `Enter`       | Сохранить и перейти дальше  |
| `Tab`         | Пропустить (без сохранения) |
| `Alt + →`     | Следующее изображение       |
| `Alt + ←`     | Предыдущее изображение      |

---

## Результат

Файл `data/labels.tsv` — табуляция-разделённый файл:

```
crop_001.jpg	Иванов И.И.
crop_002.jpg	ул. Ленина, д. 5
crop_003.jpg	СЧЁТ-ФАКТУРА
```

Скачать через интерфейс: кнопка **⬇ Экспорт TSV**, или забрать прямо из папки `data/labels.tsv`.

---

## Использование для дообучения TrOCR

```python
from datasets import Dataset
from PIL import Image
import pandas as pd

# Читаем разметку
df = pd.read_csv("data/labels.tsv", sep="\t", header=None, names=["file_name", "text"])
df["image"] = df["file_name"].apply(lambda f: Image.open(f"data/images/{f}").convert("RGB"))

dataset = Dataset.from_pandas(df[["image", "text"]])
# Далее — стандартный fine-tuning TrOCR через HuggingFace Trainer
```

---

## Запуск без Docker (если нужно)

```bash
pip install flask gunicorn
# для кнопки «🤖 Авто-разметка» дополнительно:
pip install torch transformers pillow sentencepiece

export IMAGES_DIR=./data/images
export OUTPUT_FILE=./data/labels.tsv
export TROCR_MODEL=raxtemur/trocr-base-ru   # необязательно

python app.py
# или через gunicorn:
gunicorn --bind 0.0.0.0:5000 app:app
```

---

## Структура проекта

```
ocr-annotator/
├── app.py                # Flask backend
├── Dockerfile
├── docker-compose.yml
├── templates/
│   └── index.html        # UI
└── data/
    ├── images/           # ← кладите сюда кропы
    └── labels.tsv        # ← сюда пишется разметка
```