Update README.md

README.md

@@ -1,6 +1,5 @@
 ---
 title: PaddleOCR KeyBERT
-emoji: 🚀
 colorFrom: indigo
 colorTo: pink
 sdk: gradio
@@ -12,3 +11,124 @@ short_description: just using paddle and keybert to recognize image
 ---
 
 Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+
+---
+Hệ thống OCR & Trích xuất Từ khóa
+(PaddleOCR + KeyBERT)
+1. Tổng quan Hệ thống (Pipeline)
+Hệ thống được thiết kế theo một quy trình hai giai đoạn chính:
+
+OCR (Optical Character Recognition): Nhận dạng văn bản từ hình ảnh.
+
+Keyword Extraction (KeyBERT): Trích xuất các từ khóa cốt lõi từ văn bản đã nhận dạng.
+
+Mục tiêu của Hệ thống
+Xác định nội dung có giá trị cao và cốt lõi của sản phẩm.
+
+Đảm bảo từ khóa đại diện đúng cho sản phẩm hoặc bao bì.
+
+Loại bỏ các thông tin phụ, gây nhiễu, không liên quan đến bản chất sản phẩm.
+
+2. Giai đoạn 1: PaddleOCR – Cơ chế hoạt động OCR
+Hệ thống sử dụng PaddleOCR, thư viện OCR mã nguồn mở do Baidu phát triển, hoạt động theo kiến trúc hai bước:
+
+Text Detection: Phát hiện vùng chứa chữ trong ảnh.
+
+Text Recognition: Nhận diện nội dung chữ trong từng vùng.
+
+Luồng Xử lý OCR trong Hệ thống
+Tiền xử lý ảnh:
+
+Đảm bảo ảnh ở dạng uint8 và chuẩn hóa kênh màu.
+
+Giữ nguyên độ phân giải gốc để tránh mất chi tiết chữ nhỏ.
+
+Nhận dạng OCR:
+
+PaddleOCR phát hiện các vùng chữ (polygon) và thực hiện nhận dạng nội dung.
+
+Chuẩn hóa kết quả:
+
+Mỗi dòng chữ được đưa về cấu trúc thống nhất chứa:
+
+text: Nội dung chữ đã nhận dạng.
+
+score: Mức độ tin cậy của OCR.
+
+bbox: Vị trí chữ trong ảnh (x1, y1, x2, y2).
+
+Lý do chọn PaddleOCR cho Bài toán Bao bì
+Không cần huấn luyện lại mô hình.
+
+Hoạt động tốt với chữ cong, font phức tạp và văn bản bị xoay.
+
+Hỗ trợ đa ngôn ngữ.
+
+Cung cấp thông tin vị trí (bbox) để phục vụ lọc thông minh ở giai đoạn sau.
+
+3. Lọc Nội dung: Focus Text Builder
+Kết quả OCR thô thường chứa nhiều thông tin không quan trọng (ví dụ: Thành phần, Hướng dẫn sử dụng, Địa chỉ, Barcode). Những thông tin này không đại diện cho bản chất sản phẩm.
+
+Do đó, hệ thống xây dựng một đoạn Focus Text (văn bản tập trung) trước khi đưa vào KeyBERT.
+
+Tiêu chí chọn Focus Text
+Có ký tự chữ (không phải toàn số hoặc ký hiệu).
+
+Có bounding box hợp lệ và độ tin cậy OCR đủ cao.
+
+Ưu tiên vùng phía trên và vùng chữ có diện tích lớn.
+
+Loại bỏ các dòng chứa từ khóa nhiễu (ví dụ: ingredients, warning, barcode, hotline, v.v.).
+
+Kết quả là một đoạn văn bản ngắn, cô đọng, đại diện cho nội dung chính của bao bì.
+
+4. Giai đoạn 2: KeyBERT – Trích xuất Từ khóa
+KeyBERT là phương pháp trích xuất từ khóa dựa trên embedding ngữ nghĩa: chuyển văn bản thành vector, sau đó so sánh mức độ liên quan giữa cụm từ và toàn văn bản để chọn các cụm từ đại diện tốt nhất.
+
+Ưu điểm của KeyBERT
+Không cần dữ liệu huấn luyện (Unsupervised).
+
+Không phụ thuộc vào tần suất xuất hiện từ.
+
+Rất phù hợp với văn bản ngắn (bao bì, nhãn sản phẩm).
+
+Quy trình Trích xuất Từ khóa
+Đầu vào: Focus Text.
+
+Sinh Keyphrase: Tạo các cụm từ ứng viên (ví dụ: 1–4 từ).
+
+MMR (Maximal Marginal Relevance): Giảm trùng lặp và tăng độ đa dạng từ khóa.
+
+Hậu xử lý:
+
+Loại bỏ cụm từ quá ngắn hoặc chứa nội dung nhiễu.
+
+Giữ lại Top-N từ khóa quan trọng nhất.
+
+5. Chiến lược Fallback (Dự phòng)
+Trong trường hợp KeyBERT không khả dụng (thiếu tài nguyên hoặc lỗi thư viện):
+
+Hệ thống tự động chuyển sang cơ chế Rule-based Keyword Extraction.
+
+Các dòng chữ quan trọng nhất được lấy trực tiếp từ Focus Text.
+
+Đảm bảo hệ thống vẫn trả kết quả và duy trì tính ổn định.
+
+6. Tóm tắt Toàn bộ Pipeline
+Ảnh đầu vào
+
+PaddleOCR
+
+Danh sách (text, score, bbox)
+
+Focus Text Builder (Lọc thông minh)
+
+KeyBERT / Rule-based fallback
+
+Danh sách từ khóa cuối cùng
+
+Triết lý Thiết kế
+Ưu tiên tính ổn định hơn độ phức tạp.
+Không over-tune OCR.
+Tập trung vào Lọc thông minh ở tầng ngữ cảnh và vị trí (Focus Text Builder).
+dùng Keyword extraction để chọn ra từ khóa đại diện