← プロジェクト一覧に戻る

PaddleOCR
スキャン画像や写真、PDFを、100言語以上に対応しながらCPUでも動く形でMarkdownやJSONに変換する
Apache-2.0
PaddleOCRとは
自社の文書を対象にした検索は、モデルにたどり着く前に失敗していることがほとんどです。表のスキャンや2段組のPDFが、意味の読めない文字の塊になる地点で止まります。PaddleOCRはそこを支える層です。100を超える言語の文字を認識し、文書向けの処理はレイアウトが持っていた意味を保ちます。見出しは見出しのまま、表はセルの位置を伴う表として出力され、数式や印影も扱えます。出力形式はMarkdownまたはJSONです。モデルはCPUや端末側でも動く大きさに抑えられており、大量の文書をまとめて処理する費用が現実的になります。難点は土台となるフレームワークです。これはPaddlePaddleのプロジェクトであり、導入するとはそれを導入することを意味します。
PaddleOCRで何ができますか?
- 文字だけでなく構造を残す — 文書向けの処理は、見出し、表、読み順、数式が保たれた形でMarkdownやJSONを出力します。検索で使える出力になるかどうかはここで決まります。
- 必要ならセル単位の座標まで得る — 構造解析の処理は、各表セルや文字ブロックがページのどこにあったかを返します。抽出した数値を元の場所まで遡って確認できます。
- モデルを切り替えずに100言語を読む — 1つの認識モデルが中国語、英語、日本語とラテン文字系の多数の言語を覆うため、言語の混在した文書群でも振り分けの処理が要りません。
- 手持ちの機材で動かす — モデルは数メガバイト級のものから揃い、GPUや各種アクセラレータだけでなく通常のCPUでも推論できます。
- 扱いにくい原本に対応する — 傾き、歪み、照明の悪さ、画面を撮影したページが明示的な対象で、印影や産業用の刻印なども想定されています。
- すでに使っている道具に組み込む — DifyやRAGFlowなどが文書処理の層としてこれを使っており、出力形式はそれらの処理がそのまま受け取れるものです。
PaddleOCRを選ぶ前に
- 土台はPaddlePaddleという深層学習フレームワークで、既に導入している環境は多くありません。導入作業は小さなパッケージ1つではなく、版と対応機材の確認を伴うフレームワークの導入になります。
- モデルの世代交代が速く、名前も似ています。認識モデルの複数世代と2種類の文書処理が同時に現役のため、新しさではなく用途で選ぶ必要があります。
スター推移
8月27日〜10月30日 · +3.7k
88.3k92k
よくある質問
PaddleOCRは商用利用できますか?
PaddleOCRはApache-2.0ライセンスで公開されています。OSI承認のオープンソースライセンスで、商用利用が認められています。
PaddleOCRはどの形で使えますか?
PaddleOCRはローカル実行・セルフホストの形で利用できます。