mindee/doctr

解决的问题

docTR 提供了一种无缝且易于访问的方式，用于对文档进行光学字符识别（OCR）。它允许用户通过定位 PDF、图像或网页中的文字位置并识别字符，来解析文本信息，从而将视觉文档数据高效转换为机器可读的文本。

工作原理

该库采用两阶段方法实现端到端 OCR：

1. 文本检测：使用 DBNet、LinkNet 或 FAST 等架构定位页面上的文字位置。
2. 文本识别：使用 CRNN、SAR、MASTER、ViTSTR、PARSeq 或 VIPTR 等架构识别这些定位文字中的字符。

此外，还提供一个 KIE（关键信息提取）预测器，用于检测特定类别的信息（如日期和地址），以及一个 布局检测模型，用于识别标题、表格和页脚等区域。

适用人群

专为希望将高质量 OCR 和文档分析功能集成到其应用程序中的开发者和组织设计，适用于从简单的脚本分析到使用 FastAPI 的完整 API 部署等各种场景。

主要亮点

• 灵活的架构：支持多种预训练模型用于检测和识别。
• 多样的输入：可处理 PDF、图像和 URL。
• 文档结构：返回嵌套对象结构（Page、Block、Line、Word），可导出为 JSON。
• 布局与表格分析：支持检测文档布局区域和表格结构。
• 部署就绪：提供 Docker 镜像和 FastAPI 模板，便于快速集成 API。