metom-komonjo-onnx — くずし字(古文書)単字認識 Metom finetune (ONNX)

切り出した1文字画像を Unicode 文字へ分類する単字認識モデル。 SakanaAI/Metom を、東京大学史料編纂所 「電子くずし字字典データベース」由来の古文書(komonjo)単字クロップで fine-tune し ONNX 化したもの。

ベースの汎用 ONNX 版は nakamura196/metom-onnx。 本リポジトリはその 古文書ドメイン finetune 版で、出力クラスを学習データの 2,558 文字に張り替えている。 yolov11x-komonjo-char(文字検出)と組み合わせ、 検出 → 単字認識のパイプラインに用いる。

権利・ライセンス / License

⚠️ 学習データは東京大学史料編纂所「電子くずし字字典データベース」由来で、元データセットは非公開・権利留保です。 本モデル重みは other (kuzushiji-db-derived-rights-reserved) 扱いです。なお分類器の重みから元画像は復元できません。

• 非営利の学術研究・教育目的での利用(推論・評価・ファインチューニング)は、出典明記の上で可能です。
• 商用利用・重みの再配布は事前に確認してください(本リポジトリの Community タブ へ)。
• 詳細は LICENSE を参照してください。

English: Trained on data derived from the rights-reserved kuzushiji dictionary database of the Historiographical Institute, the University of Tokyo. Non-commercial academic research and educational use is permitted with attribution. For commercial use or weight redistribution, please ask first via the Community tab. See LICENSE for details.

ファイル

ファイル	内容
metom.onnx	ONNX (opset 17)。入力 pixel_values [batch,3,128,128] / 出力 logits [batch,2558]
metom-labels.json	クラス index → 文字 の対応(2,558 文字, 例: 々 あ い う え お か が …)

前処理: 1文字クロップを 128×128 にリサイズ、Metom の image processor 準拠で正規化 (/255 → CLIP mean/std)。argmax(logits) の index を metom-labels.json で文字に変換する。

学習・評価

• ベース: SakanaAI/Metom(分類ヘッドを 2,558 クラスへ差し替え、全層学習)。
• データ: 電子くずし字字典データベース由来の古文書単字クロップ。fine-tune 8 epochs。
• 検証精度 (val accuracy): 0.8207(2,558 クラス, top-1, held-out val 15,922 枚)。

モデル	クラス数	同一 val での accuracy
metom-komonjo (本モデル)	2,558	0.8207
SakanaAI/Metom (base, 汎用)	2,703	0.4295

注: val は文字単位のランダム分割(同一ページの文字が train にも含まれる)のため、 本モデルの値は汎化性能としてはやや楽観的。base の値は語彙外 3.1% を不正解として含む (語彙内のみでは 0.4432)。

出典・謝辞

• 学習データ原典: 東京大学史料編纂所 電子くずし字字典データベース
• ベースモデル: SakanaAI/Metom (Apache-2.0)