Topdu/OpenOCR

OpenOCR – 汎用オープンソースOCRツールキット

概要 – OpenOCRは、復旦大学FVL Labが開発したオープンソースライブラリであり、汎用光学文字認識（OCR）のための最先端モデルとパイプラインを統合しています。レイアウト検出、テキスト行検出、プレーンテキスト・数学数式・表の認識、そしてエンドツーエンドのドキュメント解析まで、ドキュメント理解のスタック全体をカバーしています。

主要コンポーネント

コンポーネント	機能	サイズ / 特徴
OpenDoc‑0.1B	超軽量ドキュメントパーサー (約0.1Bパラメータ)。2段階構成：PP‑DocLayoutV2によるレイアウト解析 + UniRec‑0.1Bによる統合認識。中国語と英語をサポートし、OmniDocBench v1.5で90.57%を記録。	0.1Bパラメータ、HuggingFace/ModelScopeデモ
UniRec‑0.1B	プレーンテキスト、単一行・複数行の数式、表を認識する単一モデル。UniRec40Mデータセットでゼロから学習（事前学習なし）。	0.1Bパラメータ、論文 [arXiv 2512.21095]
OpenOCR (SVTRv2)	SVTRv2認識器をベースに構築されたフルOCRシステム。Baidu AI StudioコンペティションでPP‑OCRv4を4.5%上回り、同等の速度を維持。サーバーグレードおよびモバイルグレードのチェックポイントとONNXエクスポートを提供。	SVTRv2 (CTCベースのシーンテキスト認識器) を使用
SVTRv2	基盤となる認識器アーキテクチャ (ICCV 2025)。大規模なUnion14M‑L‑Filterデータセットで学習し、合成データベースラインに対して20‑30%の精度向上を実現。任意の形状のテキストにおいてエンコーダ・デコーダモデルを凌駕。	論文 [arXiv 2411.15858]

OpenOCRが選ばれる理由

• 混合コンテンツの統合処理 – 多くのOCRツールキットはテキストと数式を個別に扱いますが、UniRec‑0.1Bはこれらを同時に処理し、科学文書のパイプラインを簡素化します。
• 軽量モデル – 100Mパラメータ未満のチェックポイントにより、エッジデバイスや低リソースサーバーへのデプロイが可能です。
• 研究対応 – リポジトリにはトレーニングスクリプト、設定ファイル、Union14Mベースのベンチマークが含まれており、シーンテキストやドキュメントOCRの再現可能な実験が可能です。
• オープンエコシステム – モデルはHuggingFaceとModelScopeで公開されており、コードはオープンライセンスでリリースされているため、コミュニティの貢献を促進します。

はじめに

1. リポジトリをクローンし、PyPIから openocr-python パッケージをインストールします。
2. Quick‑Start markdown (QUICKSTART.md) に従って、ローカルまたは提供されているHuggingFace/ModelScopeスペースでデモを実行します。
3. カスタムデータの場合は、ファインチューニングガイド (finetune_det.md, finetune_rec.md) を使用してください。
4. フレームワークに依存しない推論が必要な場合は、ONNXにエクスポートしてください。

典型的なユースケース

• 科学論文のデジタル化（テキスト + 数式 + 表）。
• レイアウトが多様な請求書/領収書の自動処理。
• 多言語対応の検索可能なドキュメントアーカイブの構築。
• シーンテキスト認識、特に任意の形状のテキストに関する研究。

リソース

• ドキュメント：docs/ (OpenDoc, UniRec, OpenOCR, SVTRv2)。
• モデルカード：README内のHuggingFaceおよびModelScopeリンク。
• データセット：UniRec40M (HF) および Union14M‑L‑Filter (ドキュメントからリンク)。
• 論文：UniRec‑0.1BおよびSVTRv2のarXivリンク。

---

すべての情報はリポジトリのREADMEから直接引用しており、外部からの推測は一切加えていません。