Repolode
Предложить
baidu

baidu/Unlimited-OCR

Открытая vision-language OCR-модель Baidu, которая за один проход преобразует длинные многостраничные документы и PDF в структурированный текст.

Открыть на GitHub
Звёзды
30,737
Форки
3,281
Открытые issues
91
Последний коммит
5 дней назад

Что это?

Unlimited OCR — модель Baidu для разбора документов, созданная как развитие DeepSeek-OCR. Она предназначена для длинных многостраничных документов и преобразует их в структурированный текст за один проход инференса, а не обрабатывает каждую страницу отдельно.

В репозитории есть код инференса на базе Hugging Face Transformers для GPU NVIDIA, поддерживающий режимы для одного изображения, набора страниц и PDF. Перед разбором страницы PDF преобразуются в изображения с помощью PyMuPDF. Также поддерживается запуск через vLLM (с официальными Docker-образами) и SGLang, который предоставляет потоковый API, совместимый с OpenAI. Скрипт infer.py отправляет параллельные запросы для обработки изображений из каталога или PDF.

В проект входит код постобработки для оценки на OmniDocBench: он удаляет маркеры структуры из исходного вывода. Веса модели опубликованы на Hugging Face и ModelScope.

Ключевые возможности

  • 01Разбирает длинные многостраничные документы за один проход инференса.
  • 02Поддерживает отдельные изображения, наборы изображений со страницами и PDF.
  • 03Работает с Hugging Face Transformers, vLLM или SGLang.
  • 04Предоставляет потоковый API, совместимый с OpenAI, через SGLang.
  • 05Включает скрипт пакетного инференса для каталогов с изображениями и PDF.

Сценарии использования

  • Преобразование отсканированных многостраничных PDF в структурированный текст.
  • Создание конвейеров загрузки документов для поиска или рабочих процессов с LLM.
  • Оценка качества разбора документов на OmniDocBench.
  • Запуск модели OCR документов за внутренним API.

Быстрый старт

  1. 1

    Установите зависимости Python, перечисленные в README (вариант с Transformers, протестированный на Python 3.12 и 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. 2

    В скрипте Python загрузите модель с Hugging Face с помощью AutoModel и AutoTokenizer, затем запустите model.infer для изображения.

Что важно знать

  • Инференс с Transformers тестировался на графических процессорах NVIDIA с CUDA, поэтому необходим GPU.
  • Для обработки многостраничных документов и PDF используется только базовая конфигурация.
  • В README описана конкретная протестированная конфигурация (Python 3.12, CUDA 12.9), поэтому для других сред могут потребоваться настройки.

В подборках

Инструменты для PDF, OCR и документов

Темы

#ocr#document-parsing#vision-language-model#pdf#vllm#multimodal

Частые вопросы

Что такое Unlimited-OCR?
Открытая vision-language OCR-модель Baidu, которая за один проход преобразует длинные многостраничные документы и PDF в структурированный текст. Unlimited OCR — модель Baidu для разбора документов, созданная как развитие DeepSeek-OCR. Она предназначена для длинных многостраничных документов и преобразует их в структурированный текст за один проход инференса, а не обрабатывает каждую страницу отдельно.
Unlimited-OCR можно использовать бесплатно? Какая у него лицензия?
Unlimited-OCR распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.
Unlimited-OCR всё ещё поддерживается?
Активно поддерживается. Последний коммит в Unlimited-OCR — 2 нояб. 2026 г..
Для чего можно использовать Unlimited-OCR?
Преобразование отсканированных многостраничных PDF в структурированный текст. Создание конвейеров загрузки документов для поиска или рабочих процессов с LLM. Оценка качества разбора документов на OmniDocBench. Запуск модели OCR документов за внутренним API.
Как установить Unlimited-OCR?
Установите зависимости Python, перечисленные в README (вариант с Transformers, протестированный на Python 3.12 и 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 В скрипте Python загрузите модель с Hugging Face с помощью AutoModel и AutoTokenizer, затем запустите model.infer для изображения.
Где скачать Unlimited-OCR?
Исходный код и инструкции по установке — на GitHub: https://github.com/baidu/Unlimited-OCR

Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.

Похожие проекты

OpenBMB / MiniCPM-OCR

MiniCPM-OCR — семейство моделей с открытым исходным кодом для разбора документов и дополнительная модель для оценки точности результатов OCR.

ИИ и машинное обучение#ocr#document-parsing#vision-language-model
838+196 за неделю60TypeScriptApache-2.0Активно поддерживаетсяОбновлён 18 часов назад

Taichu-AI / ZDTaichu5.0-9B

Мультимодальная модель с открытыми весами и 9 млрд параметров для визуального понимания, пространственных рассуждений, использования инструментов и исследований embodied AI, построенная на Qwen3.5 и C-RADIOv4-H.

ИИ и машинное обучение#multimodal#vision-language-model#llm
3,1 тыс.517PythonApache-2.0Обновлён 2 месяца назад

PaddlePaddle / PaddleOCR

Набор инструментов с открытым исходным кодом для OCR и обработки документов: преобразует PDF и изображения в структурированный Markdown или JSON для конвейеров LLM и RAG.

ИИ и машинное обучение#ocr#document-parsing#pdf-parser
92,4 тыс.+372 за неделю11,6 тыс.PythonApache-2.0Обновлён 2 месяца назад