Repolode
提交项目
baidu

baidu/Unlimited-OCR

百度开源的视觉语言 OCR 模型，可一次性解析长篇多页文档与 PDF 并输出结构化文本。

在 GitHub 查看
Star
30,737
Fork
3,281
未关闭 Issue
91
最近提交
5天前

这是什么？

Unlimited OCR 是百度推出的文档解析模型，定位为 DeepSeek-OCR 的延伸版本，面向长篇多页文档，目标是在一次推理中将文档转换为结构化文本，而不是逐页单独处理。

仓库基于 Hugging Face Transformers 提供推理代码，适用于 NVIDIA GPU，支持单张图片、多页图片和 PDF 三种输入方式。处理 PDF 时会先用 PyMuPDF 将页面渲染为图片。模型也可通过 vLLM（提供官方 Docker 镜像）或 SGLang 部署，其中 SGLang 提供兼容 OpenAI 接口的流式 API。批处理脚本 infer.py 可对图片目录或 PDF 发起并发请求。

项目还包含用于 OmniDocBench 评测的后处理代码，可去除原始输出中的版面标记。模型权重已发布在 Hugging Face 和 ModelScope 上。

核心功能

  • 01可在一次推理中解析长篇多页文档。
  • 02支持单张图片、多页图片和 PDF 输入。
  • 03可通过 Hugging Face Transformers、vLLM 或 SGLang 运行。
  • 04借助 SGLang 提供兼容 OpenAI 接口的流式 API。
  • 05附带支持目录和 PDF 的批量推理脚本。

适用场景

  • 将扫描的多页 PDF 转换为结构化文本。
  • 为检索或大模型工作流构建文档摄取流程。
  • 在 OmniDocBench 上评测文档解析效果。
  • 将文档 OCR 模型部署为内部 API 服务。

快速上手

  1. 1

    安装 README 中列出的 Python 依赖（Transformers 方式，在 Python 3.12 与 CUDA 12.9 下测试）

    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

    在 Python 脚本中用 AutoModel 和 AutoTokenizer 从 Hugging Face 加载模型，并对图片调用 model.infer

使用前须知

  • Transformers 推理基于 NVIDIA GPU 与 CUDA 测试，需要 GPU。
  • 多页和 PDF 解析仅支持 base 配置。
  • README 给出的是特定测试环境（Python 3.12、CUDA 12.9），其他环境可能需要调整。

收录于专题

PDF、OCR 与文档处理工具

标签

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

常见问题

Unlimited-OCR 是什么？
百度开源的视觉语言 OCR 模型，可一次性解析长篇多页文档与 PDF 并输出结构化文本。 Unlimited OCR 是百度推出的文档解析模型，定位为 DeepSeek-OCR 的延伸版本，面向长篇多页文档，目标是在一次推理中将文档转换为结构化文本，而不是逐页单独处理。
Unlimited-OCR 可以免费使用吗？用的什么许可证？
Unlimited-OCR 以 MIT 许可证开源。用于商业产品前，请先确认许可证条款。
Unlimited-OCR 还在维护吗？
活跃维护中。Unlimited-OCR 最近一次提交是在 2026年11月2日。
Unlimited-OCR 适合用来做什么？
将扫描的多页 PDF 转换为结构化文本。 为检索或大模型工作流构建文档摄取流程。 在 OmniDocBench 上评测文档解析效果。 将文档 OCR 模型部署为内部 API 服务。
Unlimited-OCR 怎么安装和运行？
安装 README 中列出的 Python 依赖（Transformers 方式，在 Python 3.12 与 CUDA 12.9 下测试）: 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 在 Python 脚本中用 AutoModel 和 AutoTokenizer 从 Hugging Face 加载模型，并对图片调用 model.infer
在哪里获取 Unlimited-OCR？
源代码和安装说明在 GitHub 上：https://github.com/baidu/Unlimited-OCR

概要由 AI 根据项目 README 生成；GitHub 数据每日更新。

相关项目