datalab-to/chandra

解决的问题

传统 OCR 常常丢失页面布局，并且难以处理手写、数学、表格和非拉丁文字。Chandra OCR 2 将图像和 PDF 转换为保留原始布局的结构化 HTML、Markdown 或 JSON，使文档可编辑、可搜索且机器可读。

工作原理

Chandra OCR 2 是一个深度学习模型，处理图像或 PDF 的每一页，并以结构化格式输出内容。它检测布局元素，如表格、表单、数学表达式和图像，并添加标题和结构化数据。您可以通过命令行界面（CLI）运行它，该界面为每个文档生成 Markdown、HTML 和元数据文件。它还提供交互式 Web 应用，用于单页处理。模型可在本地使用 HuggingFace transformers 运行，或在 vLLM 服务器上运行，以加快批量处理。

适用人群

适用于需要数字化大量文档的开发者、研究人员和企业，尤其是那些具有复杂布局、多语言或手写内容的文档。对于研究、个人使用以及资金或收入低于 200 万美元的初创公司，它是免费的。商业自托管需要许可证，而托管的 Datalab 平台提供 API，具有更高的准确性和附加功能。

亮点

• 在外部 olmocr 基准测试中名列前茅，并在内部多语言基准测试中表现出显著改进。
• 支持 90 多种语言，具有强大的手写和数学处理能力。
• 准确重建表单，包括复选框。
• 输出 Markdown、HTML 和 JSON，包含详细的布局信息。
• 提取图像和图表，添加标题和结构化数据。
• 两种推理模式：本地（HuggingFace）和远程（vLLM 服务器），提供部署灵活性。
• 包含 CLI 和交互式 Streamlit Web 应用。
• Apache 2.0 代码许可证；模型权重采用 OpenRAIL-M（免费用于研究和小型初创公司）。