TurboOCR：一款高性能 GPU 文档解析器，能以极速将重量文本、布局、表格和公式提取为 Markdown

它解决了什么问题

TurboOCR 是一款高性能 GPU 加速的文档解析器，旨在取代缓慢的传统 OCR 引擎和沉重的视觉语言模型 (VLMs)。它解决了从文档中提取结构化数据的问题——包括文本、布局、表格和数学公式——同时保持完全本地化和私密性，且速度极快。

工作原理

该项目使用 C++、CUDA 和 TensorRT 构建，实现了基于 PP-OCRv6 的多流流水线。它使用一系列专门的模型堆栈，而不是单一的庞大模型：

• 文本检测与识别：使用 PP-OCRv6（提供 tiny、small 或 medium 层级）来处理拉丁语、中文和日语脚本。
• 布局分析：采用 PP-DocLayoutV3 来识别 25 种不同的文档类别并确定阅读顺序。
• 表格提取：使用 SLANet-Plus 将表格转换为 HTML。
• 公式识别：使用 PP-FormulaNet-S 将数学公式转换为 LaTeX。

该系统作为服务器部署，提供 HTTP 和 gRPC API，并在首次启动时自动构建 TensorRT 引擎，以优化针对所使用的特定 NVIDIA GPU 的性能。

适用人群

它适用于需要高吞吐量文档处理（例如，每秒处理数千张收据或表单）的开发者和组织，这些用户需要现代 OCR 的准确性，但无法承担基于 VLM 的解析器的延迟或成本。

亮点

• 极高吞吐量：在 RTX 5090 上能够每秒处理高达 559 张图像（收据）。
• 结构化输出：支持导出为 Markdown、HTML（用于表格）和 LaTeX（用于公式）。
• 原生 PDF 支持：并行渲染并对 PDF 页面进行 OCR，并提供可选的自动旋转功能。
• 灵活部署：支持一行命令 Docker 部署，并内置了用于监控的 Prometheus metrics。
• 多语言支持：涵盖拉丁语、中文、日语以及阿拉伯语、西里尔字母、韩语、泰语和希腊语等其他脚本。