ゼロショットOCRとは、対象ラベルごとの教師データでモデルを追加学習せず、事前学習済みモデルと指示を使って文字・項目を抽出する使い方です。 新品種のたびにレシピや学習データを作る負担を減らせますが、「何でも設定なしで読める」という意味ではありません。
位置固定型は座標と文字種、個別学習型は教師画像と正解ラベル、ゼロショット型は共通の項目定義と出力スキーマを中心に設定します。たとえば「LOT、Batch、製造番号に相当する値を抽出し、見つからなければnull」と指示できます。
この順序なら、フォント追加ごとの学習と回帰試験を減らせます。追加学習自体が悪いのではなく、局所データへの適合で別ラベルの性能が下がらないよう評価セットを維持することが重要です。
多品種、複数仕入先、未知レイアウト、項目名が周囲にあるラベルは向きます。一方、原画像で字形が潰れている極小文字、反射で欠けた印字、文脈のないランダム文字列、ミリ秒単位の固定ライン判定は別手法が適する場合があります。
ゼロショット性能は、PoCで調整に使っていない「未知ラベル群」を分けて測ります。既知ラベルだけの高精度をゼロショット性能と呼ばないようにします。
方式全体の比較は「VLM OCRと従来型OCRの違い」、マスター照合は「0とO、1とIをどう見分けるか」を参照してください。
保証はできません。文字サイズ、解像度、言語、装飾、背景も影響します。新フォント群を回帰試験へ追加し、閾値未満なら前処理や別モデルを検討します。
対象ラベルへの追加学習に伴う過学習リスクは抑えられますが、モデル自体の偏りやプロンプトへの過適合は残ります。「過学習を排除」ではなく「個別再学習とそのリスクを減らす」が正確です。
通常例だけでなく、反射、傾き、汚れ、未知レイアウト、マスター不在を含む実画像と、抽出項目、正解値、照合先、例外時の処理を準備します。
文字単位の認識率だけでなく、項目完全一致率、誤登録率、要確認率、初回撮影成功率、エンドツーエンドの処理時間を業務リスク別に評価します。