mittagessen/kraken

OCR engine for all the languages

kraken란 무엇인가요?

kraken은 주류 OCR 엔진이 충분히 지원하지 못하는 역사적 문서 및 비라틴 문자를 디지털화하기 위해 목표로 한 오픈소스 OCR(광학 문자 인식) 툴킷입니다. 트레이너블한 레이아웃 분석기, 읽기 순서 탐지기, 오른쪽에서 왼쪽, 양방향, 상하 방향 텍스트를 처리할 수 있는 신경망 기반 인식기를 통합하고 있습니다.

주요 기능

기능 중요성
완전히 트레이너블한 파이프라인 – 새로운 페이지 레이아웃, 읽기 순서, 문자 집합을 시스템에 학습시킬 수 있으며, 고대 문헌, 비라틴 알파벳, 또는 사용자 정의 폰트 처리에 필수적입니다.
양방향 및 세로 글꼴 지원 – 아랍어, 히브리어, CJK 세로 텍스트 등과 같은 글꼴을 지원합니다.
다양한 출력 형식 – ALTO, PageXML, abbyyXML, hOCR 등은 디지털 도서관 워크플로우에 바로 통합할 수 있습니다.
단어 수준의 경계 상자 및 문자 자르기 – 학술적 주석에 유용한 세밀한 위치 정보 제공.
Zenodo에 있는 모델 자료실 – 사전 학습된 모델(예: 인쇄체 프랑스어, 고대 폰트)의 공개 리포지토리로, 단일 명령어로 쉽게 가져올 수 있습니다.
플러그인 가능한 네트워크 아키텍처 – 속도나 정확도 요구에 따라 인식기의 백본을 교체할 수 있습니다.
크로스플랫폼 – Linux 및 macOS에서 x86_64 및 ARM CPU 모두에서 작동합니다.

시작하기 (빠른 설치)

# 추천: pipx를 통한 격리 환경
sudo apt install pipx            # Debian/Ubuntu에서
pipx install kraken               # 패키지와 종속성 자동 다운로드

기존 가상 환경을 선호하는 경우:

python -m venv venv && source venv/bin/activate
pip install kraken               # 또는 리포지토리에서 `pip install .`

PDF 또는 다중 이미지 TIFF 지원이 필요하면 선택적 확장을 추가합니다:

pip install kraken[pdf]

단일 명령어로 OCR 실행

kraken -i image.tif image.txt binarize segment ocr

이 명령어는 다음 세 가지 작업을 자동으로 수행합니다:

  1. 이미지 이진화 (nlbin 알고리즘).
  2. 텍스트 줄로 세그멘테이션 (베이스라인 세그멘터).
  3. 기본 모델을 사용해 텍스트 인식 후 평문 파일로 출력.

각 단계를 개별적으로 호출할 수도 있습니다 (예: kraken -i img.tif bw.png binarize).

사용자 모델로 확장하기

# 공개 Zenodo 컬렉션에서 미리 준비된 모델 가져오기
kraken get 10.5281/zenodo.10592716

# 사용 가능한 커뮤니티 모델 목록 보기
kraken list

커스텀 프로젝트의 경우, 자체 애노테이션 데이터로 새로운 모델을 학습할 수 있습니다 (https://kraken.re의 문서에서 전체 워크플로우를 확인할 수 있습니다).

누가 사용하고 있나요?

kraken은 École Pratique des Hautes Études, Université PSL에 소속된 eScripta 연구 그룹에서 개발되었으며, 훈련 데이터를 애노테이션하고 추론을 실행할 수 있는 GUI를 제공하는 eScriptorium 웹 인터페이스와 밀접하게 통합되어 있습니다. 여러 EU 연구 프로그램(Atrium, ERC MiDRASH, RESILIENCE, 프랑스 ANR Biblissima+)의 자금 지원을 받아, 디지털 인문학 및 문화유산 프로젝트에서의 중요성을 입증하고 있습니다.

더 알아보기

TL;DR

kraken은 역사적 및 비라틴 문자에 특화된 Python 기반, 완전히 트레이너블한 OCR 엔진으로, 이진화 → 레이아웃 분석 → 인식의 엔드투엔드 처리를 제공하며, 오픈 모델 라이브러리를 보유하고 있습니다. pipx install kraken으로 설치하고, 모델을 가져온 후 kraken -i file.tif out.txt binarize segment ocr 명령어를 실행하여 오래된 텍스트의 디지털화를 시작하세요.

관련

  • 프로젝트
    Dicklesworthstone/franken_ocr

    franken_ocr는 Baidu의 Unlimited-OCR 및 네 가지 관련 비전-언어 모델을 실행하는 순수 Rust, CPU 전용 OCR 엔진입니다. 단일 포터블 바이너리(`focr`)로 배포되며, 한 번의 모델 다운로드 후 완전히 오프라인으로 작동하며, Markdown, JSON, 차트 데이터, MusicXML 출력을 제공합니다. 프로젝트는 수작업으로 작성된 SIMD 커널을 사용하고, 안전하지 않은 Rust는 검토된 SIMD 섬 외에는 금지하며, 광범위한 자체 테스트 및 릴리스 인증 스크립트를 포함합니다.

  • 프로젝트
    qurator-spk/eynollah

    Eynollah is a Python library and command‑line tool for deep‑learning based document layout analysis, image binarization, enhancement, OCR, and reading‑order detection. It supports 10 layout classes, offers both CNN‑RNN and Transformer OCR models, outputs PAGE‑XML, and can be installed via PyPI or Docker. Pre‑trained ONNX models enable fast inference; full TensorFlow/PyTorch checkpoints are available for fine‑tuning. The project targets high‑quality processing of historical and heterogeneous scanned documents.

  • 프로젝트
    PaddlePaddle/PaddleOCR

    PaddleOCR은 이미지/PDF를 구조화된 LLM용 JSON 또는 Markdown으로 변환하는 오픈 소스 OCR 및 문서 AI 툴킷입니다. 다국어 장면 텍스트 모델(PP-OCRv6), 표/수식/고대 문자용 경량 비전-언어 파서(PaddleOCR-VL-1.6), 그리고 구조 인지 파이프라인(PP-StructureV3)을 제공합니다. 모델은 CPU, GPU, XPU, NPU 또는 ONNX/TensorRT를 통해 실행될 수 있으며, Dify 및 RAGFlow와 같은 RAG/에이전트 플랫폼과 통합됩니다.

  • 프로젝트
    deepdoctection/deepdoctection

    레이아웃 분석, OCR 및 토큰 분류를 오케스트레이션하여 PDF 및 스캔 파일에서 구조화된 데이터를 추출하는 문서 이해용 Python 라이브러리입니다.

  • 프로젝트
    firecrawl/pdf-inspector

    pdf‑inspector는 Python, Node, WebAssembly 바인딩을 갖춘 Rust 라이브러리로, PDF를 빠르게 분류(텍스트 기반, 스캔됨, 혼합 등)하고 위치 정보를 유지한 Markdown으로 추출합니다. 분류는 약 10–50 ms, 추출은 200 ms 미만으로 실행 가능하며, 필요 시 페이지별로 가벼운 OCR(PP‑OCRv6 Small)을 적용합니다. 빠른 문서 인입 파이프라인, LLM 데이터 준비, 브라우저 기반 PDF 뷰어 개발에 이상적입니다.