Modelo OCR multimodal de 0,9B de parámetros y SDK para extraer texto, tablas, fórmulas y estructura de documentos complejos.
7,6 mil+20 esta semana676PythonApache-2.0Actualizado hace 24 días
baidu/Unlimited-OCR
Modelo OCR de visión y lenguaje de código abierto de Baidu que convierte documentos largos de varias páginas y PDF en texto estructurado en una sola pasada.
- Estrellas
- 30,737
- Forks
- 3,281
- Issues abiertos
- 91
- Último commit
- hace 5 días
¿Qué es?
Unlimited OCR es un modelo de análisis de documentos de Baidu, desarrollado como sucesor de DeepSeek-OCR. Está pensado para documentos largos de varias páginas y busca convertirlos en texto estructurado en una sola pasada de inferencia, en lugar de procesar cada página por separado.
El repositorio incluye código de inferencia basado en Hugging Face Transformers para GPU NVIDIA, con modos para una sola imagen, varias páginas y PDF. Para procesar PDF, las páginas se convierten en imágenes con PyMuPDF antes del análisis. También permite servir el modelo mediante vLLM (con imágenes oficiales de Docker) y SGLang, que ofrece una API de streaming compatible con OpenAI. El script por lotes infer.py ejecuta solicitudes concurrentes sobre un directorio de imágenes o un PDF.
El proyecto incluye código de posprocesamiento para la evaluación con OmniDocBench, que elimina del resultado sin procesar los marcadores de diseño. Los pesos del modelo están disponibles en Hugging Face y ModelScope.
Funciones clave
- 01Analiza documentos largos de varias páginas en una sola pasada de inferencia.
- 02Admite imágenes individuales, conjuntos de imágenes de varias páginas y PDF.
- 03Funciona con Hugging Face Transformers, vLLM o SGLang.
- 04Ofrece una API de streaming compatible con OpenAI mediante SGLang.
- 05Incluye un script de inferencia por lotes para directorios y PDF.
Casos de uso
- Convertir PDF escaneados de varias páginas en texto estructurado.
- Crear pipelines de ingesta de documentos para flujos de trabajo de búsqueda o con LLM.
- Evaluar el análisis de documentos con OmniDocBench.
- Servir un modelo OCR de documentos detrás de una API interna.
Inicio rápido
- 1
Instala las dependencias de Python indicadas en el README (método con Transformers, probado con Python 3.12 y CUDA 12.9).
pip install torch==2.10.0 torchvision==0.25.0 transformers==4.57.1 Pillow==12.1.1 matplotlib==3.10.8 einops==0.8.2 addict==2.4.0 easydict==1.13 pymupdf==1.27.2.2 psutil==7.2.2 - 2
En un script de Python, carga el modelo desde Hugging Face con AutoModel y AutoTokenizer y ejecuta model.infer en una imagen.
Antes de usarlo
- La inferencia con Transformers se ha probado en GPU NVIDIA con CUDA, por lo que se necesita una GPU.
- El análisis de documentos de varias páginas y PDF solo utiliza la configuración base.
- El README describe una configuración específica de prueba (Python 3.12, CUDA 12.9), por lo que quizá haya que adaptarla a otros entornos.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es Unlimited-OCR?
- Modelo OCR de visión y lenguaje de código abierto de Baidu que convierte documentos largos de varias páginas y PDF en texto estructurado en una sola pasada. Unlimited OCR es un modelo de análisis de documentos de Baidu, desarrollado como sucesor de DeepSeek-OCR. Está pensado para documentos largos de varias páginas y busca convertirlos en texto estructurado en una sola pasada de inferencia, en lugar de procesar cada página por separado.
- ¿Unlimited-OCR es gratuito? ¿Qué licencia tiene?
- Unlimited-OCR es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿Unlimited-OCR sigue mantenido?
- Mantenimiento activo. El último commit de Unlimited-OCR fue el 2 nov 2026.
- ¿Para qué puedo usar Unlimited-OCR?
- Convertir PDF escaneados de varias páginas en texto estructurado. Crear pipelines de ingesta de documentos para flujos de trabajo de búsqueda o con LLM. Evaluar el análisis de documentos con OmniDocBench. Servir un modelo OCR de documentos detrás de una API interna.
- ¿Cómo se instala Unlimited-OCR?
- Instala las dependencias de Python indicadas en el README (método con Transformers, probado con Python 3.12 y CUDA 12.9).: pip install torch==2.10.0 torchvision==0.25.0 transformers==4.57.1 Pillow==12.1.1 matplotlib==3.10.8 einops==0.8.2 addict==2.4.0 easydict==1.13 pymupdf==1.27.2.2 psutil==7.2.2 En un script de Python, carga el modelo desde Hugging Face con AutoModel y AutoTokenizer y ejecuta model.infer en una imagen.
- ¿Dónde consigo Unlimited-OCR?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/baidu/Unlimited-OCR
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Modelo unificado de visión y lenguaje de 0,8B para analizar documentos, extraer información clave y responder preguntas visuales centradas en OCR.
956+743 esta semana57PythonApache-2.0Actualizado hace 9 días
API de inteligencia documental autoalojada que convierte PDF, archivos de Office e imágenes en fragmentos listos para LLM, con análisis de diseño y OCR.
4,2 mil+5 esta semana278RustAGPL-3.0Actualizado hace 2 meses
MiniCPM-OCR es una familia de modelos de código abierto para analizar documentos, junto con un modelo complementario que evalúa si los resultados de OCR son correctos.
838+196 esta semana60TypeScriptApache-2.0Bien mantenidoActualizado hace 19 horas
Modelo multimodal de pesos abiertos y 9B parámetros para comprensión visual, razonamiento espacial, uso de herramientas por agentes e investigación en IA corporeizada, basado en Qwen3.5 y C-RADIOv4-H.
3,1 mil517PythonApache-2.0Actualizado hace 2 meses
Kit de herramientas OCR y de IA documental de código abierto que convierte PDF e imágenes en Markdown o JSON estructurado para flujos de trabajo de LLM y RAG.
92,4 mil+372 esta semana11,6 milPythonApache-2.0Actualizado hace 2 meses