Topdu/OpenOCR

OpenOCR – 通用开源 OCR 工具包

简介 – OpenOCR 是复旦大学 FVL 实验室开发的开源库，整合了用于通用光学字符识别 (OCR) 的最先进模型与流程。它涵盖了整个文档理解技术栈：版面检测、文本行检测、纯文本、数学公式与表格的识别，以及端到端的文件解析。

核心组件

组件	功能	大小 / 特点
OpenDoc‑0.1B	超轻量级文档解析器 (约 0.1B 参数)。两阶段：使用 PP‑DocLayoutV2 进行版面分析 + 使用 UniRec‑0.1B 进行统一识别。支持中英文，在 OmniDocBench v1.5 上得分 90.57%。	0.1B 参数，HuggingFace/ModelScope 演示
UniRec‑0.1B	单一模型，可识别纯文本、单行与多行公式以及表格。从零开始在 UniRec40M 数据集上训练（无预训练）。	0.1B 参数，论文 [arXiv 2512.21095]
OpenOCR (SVTRv2)	基于 SVTRv2 识别器构建的完整 OCR 系统。在百度 AI Studio 竞赛中超越 PP‑OCRv4 4.5%，同时保持相似速度。提供服务器级与移动设备级检查点及 ONNX 导出。	使用 SVTRv2 (基于 CTC 的场景文本识别器)
SVTRv2	底层识别器架构 (ICCV 2025)。在大型 Union14M‑L‑Filter 数据集上训练，比合成数据基准准确度提升 20‑30%，在任意形状文本上优于编码器-解码器模型。	论文 [arXiv 2411.15858]

为何选择 OpenOCR

• 混合内容的统一处理 – 大多数 OCR 工具包将文本与公式分开处理；UniRec‑0.1B 将它们整合处理，简化了科学文档的处理流程。
• 轻量级模型 – 小于 100M 参数的检查点使得在边缘设备或低资源服务器上部署成为可能。
• 研究就绪 – 仓库提供训练脚本、配置文件以及基于 Union14M 的基准测试，实现场景文本与文档 OCR 的可重现实验。
• 开放生态 – 模型发布于 HuggingFace 与 ModelScope，代码采用开放授权，鼓励社区贡献。

入门指南

1. Clone 仓库并从 PyPI 安装 openocr-python 包。
2. 依照 Quick‑Start markdown (QUICKSTART.md) 在本地或通过提供的 HuggingFace/ModelScope 空间执行演示。
3. 若需处理自定义数据，请参考微调指南 (finetune_det.md, finetune_rec.md)。
4. 若需要框架无关的推理，请导出为 ONNX。

典型应用场景

• 科学论文数字化（文本 + 公式 + 表格）。
• 自动化处理版面多变的票据/收据。
• 建立支持多语言的可搜索文档库。
• 场景文本识别研究，特别是任意形状文本。

资源

• 文档：docs/ (OpenDoc, UniRec, OpenOCR, SVTRv2)。
• 模型卡：README 中的 HuggingFace 与 ModelScope 链接。
• 数据集：UniRec40M (HF) 与 Union14M‑L‑Filter (文档链接)。
• 论文：UniRec‑0.1B 与 SVTRv2 的 arXiv 链接。

---

所有信息均直接取自仓库的 README；未添加任何外部假设。