datalab-to/indra

1M param OCR model - runs on CPU, 15x faster than tesseract, close to 1B+ param models in accuracy

Indra OCR이란?

Indra OCR은 CPU에서 실행되는 초소형(약 1 M 파라미터) 광학 문자 인식 모델입니다. 최대 초당 49페이지(4개의 x86 vCPU에서 페이지당 약 230 ms)의 속도로 PDF와 이미지를 읽고 결과를 마크다운, 일반 텍스트 또는 상세한 레이아웃 정보가 포함된 JSON으로 출력합니다.

주요 기능

속도 – 동일한 하드웨어에서 Tesseract/PaddleOCR보다 11~17배 빠릅니다.
정확도 – OmniParseBench 헤드라인 점수 62.1로 PaddleOCR의 전체 파이프라인(58.4)을 능가합니다.
레이아웃 인식 – 모든 줄과 블록에 대한 경계 상자, 블록 레이블(제목, 표, 캡션, 각주 등) 및 읽기 순서.
하이브리드 PDF 처리 – PDF의 기본 텍스트 레이어가 품질 검사를 통과하면 사용하고, 그렇지 않으면 OCR로 대체하여 작업을 절약합니다.
작은 용량 – 약 18 MB ONNX 모델, PyTorch 불필요, ONNX Runtime, OpenCV 및 pypdfium2로 실행.
다국어 OCR – 라틴어, 키릴 문자, 그리스어, 데바나가리, 벵골어, 중국어(간체 및 번체). 디지털 PDF는 텍스트 레이어를 통해 모든 문자를 지원합니다.
선택적 수학 지원 – --math 플래그는 LaTeX 스타일 인라인 수학을 출력하는 분류기와 두 번째 인식기를 추가합니다.
로컬 뷰어 – indra-ocr-viewer는 오버레이된 상자, 마크다운, JSON 및 타이밍이 포함된 페이지를 표시합니다.

빠른 시작(CLI)

pip install indra-ocr               # 패키지 설치
indra-ocr paper.pdf                # 마크다운을 표준 출력으로
indra-ocr *.pdf --out results/     # 파일당 .md, 모든 코어 사용
indra-ocr scan.png --format json   # 줄, 상자, 신뢰도가 포함된 JSON
indra-ocr-viewer                   # http://localhost:8765 열기

첫 실행 시 Hugging Face에서 ONNX 모델(약 18 MB)을 다운로드합니다.

Python API(기본 예제)

import indra_ocr
conv = indra_ocr.load(threads=4)          # 자동 모드(텍스트 레이어 + OCR)
for i, page in conv.convert("paper.pdf"):
    print(page.markdown)                   # 제목, 표 등이 포함된 마크다운
    print(page.blocks)                     # 레이블이 있는 레이아웃 블록 목록

일괄 변환에는 indra_ocr.convert_many([...], cores=None)을 사용합니다. CPU 코어당 하나의 워커를 생성합니다.

출력 구조

markdown – 서식이 지정된 텍스트(제목, 목록, 표는 HTML). --keep-furniture를 사용하지 않으면 머리글/바닥글은 생략됩니다.
text – 일반 텍스트, 감지된 각 줄마다 한 줄.
lines – Line(box, text, confidence) 객체 목록.
blocks – label, bbox, text가 있는 레이아웃 블록, 읽기 순서.
source – text(PDF 레이어), ocr, hybrid 또는 error.
timings – 단계별 밀리초 및 총계.
rotation, skew, 처리 경로를 설명하는 짧은 note와 같은 추가 메타데이터.

Indra OCR과 관리형 서비스 사용 시기

Indra OCR은 깨끗한 인쇄 문서에서 CPU 전용 속도가 필수적인 경우에 탁월합니다. 적합하지 않은 경우:

셀 병합 또는 행 걸침이 있는 복잡한 표.
손으로 쓴 텍스트.
OCR 목록 외부의 문자(아랍어, 히브리어, 태국어, 일본어, 한국어) – 이러한 문자는 PDF 텍스트 레이어를 통해서만 작동합니다.
매우 저하되었거나 저해상도 스캔.
세로 텍스트, 배너 너비 페이지, 엔지니어링 도면 레이블 또는 200 dpi에서 100 MP를 초과하는 페이지. 이러한 경우 저자는 Datalab 관리 플랫폼을 통해 더 높은 정확도의 GPU 기반 모델 Chandra를 권장합니다.

라이선스 및 상업적 사용

코드 – Apache 2.0.
모델 가중치 – 수정된 OpenRAIL-M(연구, 개인 사용 및 수익 2천만 달러 미만의 스타트업 무료). Datalab API와 경쟁하는 상업적 사용에는 별도 라이선스가 필요합니다(가격 페이지 참조).

설치 참고 사항

pip install indra-ocr                     # 안정 버전
# 또는 최신 GitHub 버전
pip install git+https://github.com/datalab-to/indra.git
# 선택적 Tesseract 비교 지원
pip install "indra-ocr[tesseract]"

Python 3.10+, Linux(x86_64 및 aarch64) 및 macOS(Apple silicon)에서 지원됩니다. 패키지는 ONNX Runtime, OpenCV 및 pypdfium2를 자동으로 가져옵니다.

벤치마크 한눈에 보기

지표	Indra OCR(기본)	PaddleOCR PP‑OCRv6(텍스트 전용)	Tesseract 5
처리량(페이지/초) – 32코어	49.4	4.28	2.92
페이지당 중간 지연 시간	228 ms	2 685 ms	5 496 ms
OmniParseBench 헤드라인	62.1	–	–
텍스트 점수	41.3	35.8	19.3
표 점수	56.4	0.0	0.0
레이아웃 점수	88.6	–	–

자세히 알아보기

홈페이지: https://www.datalab.to
Hugging Face의 모델: https://huggingface.co/datalab-to/indra-ocr
문서 및 Playground: https://documentation.datalab.to 및 https://www.datalab.to/playground
Discord 커뮤니티: https://discord.gg/KuZwXNGnfH

TL;DR

Indra OCR은 인쇄 문서에 대해 높은 속도와 적절한 정확도를 제공하고 풍부한 레이아웃 출력과 사용하기 쉬운 CLI/Python API를 갖춘 경량 CPU 전용 OCR 엔진입니다. 깨끗한 PDF나 이미지를 빠르게 일괄 처리해야 하고 복잡한 표, 손글씨 또는 비라틴 문자의 한계를 수용할 수 있을 때 이상적입니다.