mindee/doctr

解決的問題

docTR 提供了一種無縫且易於存取的方式，用於對文件進行光學字元辨識（OCR）。它允許使用者透過定位 PDF、影像或網頁中的文字位置並識別字元，來解析文字資訊，從而將視覺文件資料高效轉換為機器可讀的文字。

工作原理

該套件採用兩階段方法實現端對端 OCR：

1. 文字檢測：使用 DBNet、LinkNet 或 FAST 等架構定位頁面上的文字位置。
2. 文字識別：使用 CRNN、SAR、MASTER、ViTSTR、PARSeq 或 VIPTR 等架構識別這些定位文字中的字元。

此外，還提供一個 KIE（關鍵資訊提取）預測器，用於檢測特定類別的資訊（如日期和地址），以及一個 佈局檢測模型，用於識別標題、表格和頁尾等區域。

適用對象

專為希望將高品質 OCR 和文件分析功能整合到其應用程式中的開發者與組織設計，適用於從簡單的腳本分析到使用 FastAPI 的完整 API 部署等各種場景。

主要亮點

• 靈活的架構：支援多種預訓練模型用於檢測與識別。
• 多樣的輸入：可處理 PDF、影像和 URL。
• 文件結構：返回嵌套物件結構（Page、Block、Line、Word），可匯出為 JSON。
• 佈局與表格分析：支援檢測文件佈局區域與表格結構。
• 部署就緒：提供 Docker 鏡像與 FastAPI 模板，便於快速整合 API。