AB
AB
AiBoss站

全部分类

project

indra-ocr - 面向 CPU 的轻量文档 OCR 与版面解析模型

indra-ocr 是 datalab-to 发布的 ONNX 文档识别模型，据项目自述可在 CPU 上以每秒 49 页的速度把 PDF 与图片转成 Markdown、纯文本或带坐标框的 JSON，模型体积约 18 MB，无需 PyTorch。本文整理其维护状态、主要能力、使用入口与许可限制。

indra-ocr 是 datalab-to 发布在 Hugging Face 上的一个图像转文本（image-to-text）模型仓库，任务定位是文档识别：把 PDF 与图片转成 Markdown、纯文本，或带行框、版面块与阅读顺序的 JSON。据项目自述，它的设计重心是 CPU 上的吞吐与延迟，主识别器约 100 万参数，模型文件合计约 18 MB，运行在 ONNX Runtime 上，不依赖 PyTorch。它适合需要在普通 x86 服务器或本地机器上批量处理扫描件、数字版 PDF 的开发者，也适合把版面结构（标题、列表、表格、脚注等）作为下游输入的信息抽取流程。需要说明的是，以下能力描述均来自项目自述与 README，本文并未实际运行该项目。

维护者与状态

该仓库由 datalab-to 维护，托管于 Hugging Face，框架标注为 onnx，任务类型为 image-to-text。仓库创建时间为 2026-10-10，最后更新时间为 2026-10-15，属于非常新的项目。截至 2026-10-18，近 30 天下载量为 1053，点赞数为 170。事实表中没有给出正式 release 版本号，因此这里不引用任何版本标签；如需确认发布状态，应以仓库页面为准。

主要能力

据项目说明，indra-ocr 的能力可以分成以下几块：

  • 速度与延迟：README 称其在 CPU 上可达每秒 49 页，单页在 4 个 x86 vCPU 上约 230 ms。这些数字是项目自述的对比结果，本文未做复现。
  • 版面与坐标框：为每一行和每一个版面块输出边界框，块带标签（标题、列表、表格、图注、脚注、页眉等），并给出阅读顺序。
  • 数字版 PDF 处理：优先读取 PDF 自带的文本层，只对缺失部分做 OCR；项目称文本层模式在 75 个语系的 1125 页上验证过，通过检查的页面可保留至少 98% 的字符，从右到左的文字保持原有顺序。
  • 扫描与图片 OCR 语种：覆盖拉丁字母（约 50 种语言）、西里尔字母、希腊字母、天城文、孟加拉文，以及简体与繁体中文。
  • 输出形态：每页返回 markdown、逐行纯文本、行级框与置信度、版面块、来源标记（文本层 / OCR / 混合 / 错误）、旋转与倾斜校正角度，以及各阶段耗时。
  • 本地查看器：附带一个本地 Web 查看器，可叠加显示行、版面块与阅读顺序，并切换管线选项；文件保留在本机。

使用入口

仓库地址为 datalab-to/indra-ocr。据 README，安装与调用方式如下，需要 Python 3.10 或更新版本，首次运行会从 Hugging Face 下载约 18 MB 的模型并缓存：

pip install indra-ocr
indra-ocr paper.pdf
indra-ocr *.pdf --out results/
indra-ocr scan.png --format json
indra-ocr-viewer

命令行支持 --format（md / text / json）、--mode（auto / ocr / text）、--cores、--dpi、--max-pages、--password、--keep-furniture、--math、--timings、--model-dir 等选项。Python 侧可通过 indra_ocr.load() 与 conv.convert() 逐页迭代，或用 convert_many() 多进程批量处理；后者在 macOS 与 Windows 上需要 if __name__ == "__main__": 保护。若已有本地模型副本，可设置 INDRA_OCR_MODEL_DIR 或传入 --model-dir。

许可与限制

事实表标注的许可证为 openrail。项目 README 进一步说明：代码采用 Apache 2.0，模型权重使用修改版 OpenRAIL-M 许可，研究、个人使用以及融资或营收低于 2000 万美元的初创公司可免费使用，且不得用于与其 API 竞争的场景；如需移除 OpenRAIL 要求或更广泛的商业授权，需另行联系。由于事实表只给出 openrail 这一项，具体条款请以仓库 LICENSE 文件为准，本文不对可商用性下结论。

项目自述的已知限制包括：

  • 复杂表格：合并单元格、跨行文本、嵌套表头或无框线表格可能出现行列错位，简单网格表格表现较好。
  • 手写内容：不支持手写文字。
  • OCR 语种边界：阿拉伯文、希伯来文、泰文、日文假名、韩文谚文等只能通过数字版 PDF 的文本层处理，在扫描件与图片上会出错。
  • 退化扫描件：项目定位是干净印刷体的高速处理，老旧或质量较差的扫描件不在适用范围内。

此外，数学公式默认不输出 LaTeX，需要显式开启 --math，项目称该选项在含公式页面上会变慢。

返回