baidu/Unlimited-OCR

これは何？

主な機能

• 01長い複数ページの文書を1回の推論で解析します。
• 02単一画像、複数ページの画像セット、PDFに対応しています。
• 03Hugging Face Transformers、vLLM、SGLangで実行できます。
• 04SGLang経由でOpenAI互換のストリーミングAPIを提供します。
• 05ディレクトリやPDFを対象にしたバッチ推論スクリプトを備えています。

ユースケース

• スキャンされた複数ページのPDFを構造化テキストに変換する。
• 検索やLLMのワークフロー向けに文書取り込みパイプラインを構築する。
• OmniDocBenchで文書解析のベンチマークを実施する。
• 社内APIの背後で文書OCRモデルをサービングする。

クイックスタート

1. 1

   READMEに記載されているPython依存関係をインストールします（Transformers経由。Python 3.12、CUDA 12.9でテスト済み）。

   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. 2

   PythonスクリプトでHugging FaceからAutoModelとAutoTokenizerを使ってモデルを読み込み、画像に対してmodel.inferを実行します。

使う前に知っておきたいこと

• !Transformersによる推論はCUDA対応のNVIDIA GPUでテストされているため、GPUが必要です。
• !複数ページおよびPDFの解析には、ベース設定のみを使用します。
• !READMEで説明されているのは特定のテスト環境（Python 3.12、CUDA 12.9）のため、ほかの環境では調整が必要になる場合があります。

収録されている特集

トピック

よくある質問

Unlimited-OCR とは？

Baiduのオープンソース視覚言語OCRモデル。長い複数ページの文書やPDFを一度の処理で構造化テキストに変換します。 Unlimited OCRは、DeepSeek-OCRの後継としてBaiduが開発した文書解析モデルです。長い複数ページの文書を対象とし、ページごとに処理するのではなく、1回の推論で構造化テキストに変換することを目指しています。

Unlimited-OCR は無料で使えますか？ライセンスは？

Unlimited-OCR は MIT ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

Unlimited-OCR は今もメンテナンスされていますか？

活発にメンテナンス中。Unlimited-OCR の最終コミットは 2026年11月2日 です。

Unlimited-OCR は何に使えますか？

スキャンされた複数ページのPDFを構造化テキストに変換する。 検索やLLMのワークフロー向けに文書取り込みパイプラインを構築する。 OmniDocBenchで文書解析のベンチマークを実施する。 社内APIの背後で文書OCRモデルをサービングする。

Unlimited-OCR のインストール方法は？

READMEに記載されているPython依存関係をインストールします（Transformers経由。Python 3.12、CUDA 12.9でテスト済み）。: 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 PythonスクリプトでHugging FaceからAutoModelとAutoTokenizerを使ってモデルを読み込み、画像に対してmodel.inferを実行します。

Unlimited-OCR はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/baidu/Unlimited-OCR