🇺🇸🤖 США: Indra OCR – сверхлёгкая локальная модель для скоростного распознавания и структурного разбора документов
Американская компания «Дэйталаб» представила Indra OCR – компактную систему распознавания текста и анализа структуры PDF-документов, сканов и изображений. Разработку возглавил Вик Паручури, ранее создавший проекты Marker и Surya.
Главная особенность – нейросетевая модель распознавания объёмом всего 1 млн параметров. Полный набор моделей занимает около 18 Мбайт и работает непосредственно на центральном процессоре без видеокарты.
🔻 Архитектура Indra OCR предусматривает последовательное обнаружение текстовых строк, распознавание символов, определение структуры страницы и порядка чтения. Для выполнения нейросетевых вычислений используется ONNX Runtime, что позволяет обойтись без установки PyTorch.
В отличие от простых OCR-систем, Indra сохраняет не только распознанный текст, но и структуру документа. Она выделяет заголовки, абзацы, списки, таблицы, подписи, сноски и колонтитулы. Для каждой строки и смыслового блока определяются координаты расположения на странице. При обработке электронных PDF система использует существующий текстовый слой, а нейросетевое распознавание применяет там, где текст отсутствует. Предусмотрено автоматическое исправление ориентации перевёрнутых страниц.
Результаты сохраняются в Markdown, TXT и JSON с координатами элементов и оценками достоверности распознавания. Отдельный режим позволяет преобразовывать математические выражения в LaTeX.
⚙️ Производительность – до 49,4 страницы в секунду на серверном процессоре AMD EPYC с 32 ядрами. Это примерно в 11,5 раза быстрее PaddleOCR и в 16,9 раза быстрее Tesseract 5 при одинаковых условиях испытаний. На четырёх ядрах скорость составляет около 7,3 страницы/с.
📊 На испытательном наборе OmniParseBench Indra получила 41,3 балла по качеству извлечения текста против 35,8 у PaddleOCR и 19,3 у Tesseract. При этом преимущество достигнуто в комбинированном режиме с использованием текстового слоя PDF. При распознавании исключительно изображений показатель Indra составляет 33,5 балла.
Поддерживается кириллица, а также латиница, греческое, китайское и некоторые индийские системы письма. Основные ограничения – рукописный текст, повреждённые сканы и таблицы сложной структуры.
🔹 Основное значение Indra OCR – возможность массовой обработки документов на обычных процессорах без дорогостоящих графических ускорителей. Небольшой размер модели позволяет применять её на локальных рабочих станциях и серверах для оцифровки архивов, технической документации, отчётов и электронных библиотек.
Разработка представляет интерес для закрытых корпоративных систем поиска, анализа документов и RAG, где требуется быстро преобразовывать большие массивы PDF в структурированный текст без передачи исходных материалов во внешние облачные сервисы. Исходный код опубликован под лицензией Apache 2.0.