ndl-lab/ndlocr-lite

解決する課題

NDLOCR-Liteは、書籍や雑誌の画像をテキストデータに変換するために設計された軽量なOCR（光学文字認識）ツールです。専用のGPUを必要とせず、標準的な家庭用コンピュータ（ノートPCなど）で高性能なOCRを実行できるため、コンシューマー向けハードウェアでのデジタルアーカイブをより身近なものにします。

仕組み

このシステムは、画像を処理するために3つの主要モジュールを組み合わせています：

1. レイアウト認識: DEIMv2（DINOv3から蒸留されたViT-Tinyモデルを使用）を使用してページの構造を特定します。
2. 文字認識: PARSeqを使用して、特定された領域内の実際の文字を認識します。
3. 読み取り順序の並べ替え: 認識されたテキストを正しい論理順序に整理します。

モデルはPyTorchを使用してトレーニングされ、効率的な実行のためにONNX形式に変換されます。このツールは、デスクトップアプリケーション（スクリーンキャプチャモード付き）またはコマンドラインインターフェースを通じて使用できます。

対象ユーザー

• 書籍、雑誌、歴史的文書をデジタル化する研究者やアーキビスト。
• ハイエンドなサーバーハードウェアなしで、日本語テキスト（縦書き・横書きを含む）のOCRを実行する必要があるユーザー。
• ONNXモデルをサポートするカスタマイズ可能なOCRパイプラインを探している開発者。

ハイライト

• GPU不要の動作: 標準的なWindows、Mac、LinuxのノートPCで高速に実行できるよう最適化されています。
• 幅広いフォーマット対応: JPG、PNG、TIFF、JP2、BMP、WebPファイルを処理可能です。
• 手書き文字対応: 手書き文字の認識精度が向上しました（v1.2以降）。
• 柔軟な出力: XMLおよびJSON形式で結果を提供し、認識されたテキスト領域を強調表示するオプションの視覚化モードも備えています。