docTR:PyTorchベースのOCRライブラリ、PDFや画像から全ページテキストを抽出

docTRはPyTorchベースのテキスト認識ライブラリであり、最小限のコードでPDFや画像から全ページのテキストを抽出します。このライブラリは2段階で動作します。まず各単語のページ上の位置を特定し、次にそれらの領域内の文字を認識します。両方の段階のモデルは独立して交換可能です。レイアウト認識を有効にすると、システムはタイトル、本文、表、ヘッダー、フッターを個別に識別し、文書構造を保持します。また、スキャン文書に多く見られる傾斜や回転したページに特化した処理オプションを備えており、出力は真っ直ぐまたは傾いたバウンディングボックスで提供されます。ライブデモはHugging Face上で、Colabノートブックとともに利用可能です。docTRは元々Mindeeによって開発されましたが、現在はt2kチームが保守しており、最近のコードコミットも行われています。