docTR:基于PyTorch的OCR库,用于从PDF和图像中提取整页文本

docTR是一个基于PyTorch的文本识别库,能够以最少的代码从PDF或图像中提取整页文本。它分两个阶段运行:首先定位页面上每个单词的位置,然后识别这些区域内的字符,两个阶段的模型均可独立替换。当启用布局识别时,系统会分别识别标题、正文、表格、页眉和页脚,从而保留文档结构。该库包含针对扫描文档中常见的倾斜和旋转页面的专用处理选项,输出为直框或倾斜边界框。Hugging Face上提供实时演示以及Colab笔记本。该项目最初由Mindee开发,现在由t2k团队维护,近期有代码提交。