タグ: OCR

SmolDoclingは、ds4sdチームがIBMと共同で開発したビジュアル言語モデル（VLM）で、SmolVLM-256Mをベースにしており、Hugging Faceプラットフォームでホストされています。SmolDoclingは、SmolVLM-256Mをベースにした視覚言語モデル（VLM）で、Hugging Faceプラットフォーム上でホストされています。 パラメータが256Mしかない世界最小のVLMで、その中核機能は...

人類の文明の長い歴史の中で、情報の取得と解析の方法が飛躍的に進歩するたびに、社会は大きく発展してきた。古代の象形文字から、持ち運び可能なパピルス、その後の印刷機の出現、そして今日のデジタルの波に至るまで、技術革新のたびに人類の知識の伝達は大きく拡大してきた。

包括的な紹介 Ollama OCRは、Ollamaプラットフォームが提供する最先端の視覚言語モデルを使用して画像からテキストを抽出する、強力な光学式文字認識（OCR）ツールキットです。このプロジェクトは、Pythonパッケージとして利用できるほか、ユーザーフレンドリーなStreamlitウェブ・アプリケーション・インターフェースを提供しています。このツールキットは複数の...

一般的な紹介 STranslateは、WPFによって開発されたすぐに使用できる翻訳とOCRツールです。STranslateはオープンソースプロジェクトであり、ユーザーは自由にダウンロードして使用することができます。

概要 VisionParserは、領収書や請求書を処理するために設計されたOCR（光学式文字認識）ツールです。高度な生成AI技術により、VisionParserはあらゆる種類の領収書や請求書を、小売、飲食、B2Bサービスなどの幅広い業界の構造化データに迅速かつ正確に変換することができます。

包括的な紹介 Chunkrは、PDF、PPTX、DOCX、ExcelファイルをRAG（Retrieval Augmented Generation）やLLM（Large Language Modelling）で使用するのに適したデータに変換するためのセルフホストAPIです。このAPIはLumina AI Inc.によって開発され、ドキュメントの取り込みに高度なビジュアルモデルを使用しています。

一般的な紹介 Llama OCRは、Llama 3.2 VisionをベースにしたOCR（光学式文字認識）ライブラリで、文書をMarkdown形式に変換します。Nutlopeによって開発されたこのライブラリーは、Together AIによって提供される無料のLlama 3.2インターフェースを使用し、画像を解析してMarkdown...

包括的な紹介 Doclingは、PDF、DOCX、PPTX、XLSX、画像、HTML、AsciiDocおよびMarkdownを含む幅広い文書形式をサポートする、強力な文書解析およびエクスポートツールです。

包括的な紹介 ViTLP（Visually Guided Generative Text-Layout Pre-training for Document Intelligence）は、視覚的にガイドされた生成的なテキストレイアウトの事前学習モデルを通じて、ドキュメントインテリジェンス処理を強化することを目的としたオープンソースプロジェクトです。このプロジェクトはVeason-silverbul...によって開発されました。

概要 ScreenPipeはmediar-aiが開発したAIアシスタントで、24時間365日、スクリーンコンテンツの録画、スクリーンショットのキャプチャ、音声の録音に特化している。

概要 テキスト抽出API（text-extract-api）は、様々な文書形式（PDF、Word、PPTXなど）からコンテンツを抽出・解析するために設計された強力なツールです。このAPIは、最先端の光学式文字認識（OCR）技術とOllamaがサポートするモデルを利用し、あらゆる文書や画像を...

概要 Picture to Excel Free Toolは、画像からExcelファイルへの表形式データの変換を迅速かつ正確に行うことができる効率的なオンラインツールです。このツールは、JPGやPNGなどの幅広い画像形式をサポートしており、Webページ、iOSアプリ、Androidアプリで使用することができます。高度なAI技術により...

包括的な紹介 Datalabは、OCR、レイアウト分析、PDFからMarkdownへの変換などに焦点を当てた高度なAIモデルを幅広く提供しています。これらのモデルは高性能であるだけでなく、使いやすくオープンソースです。プラットフォーム上のMarkerモデルは、表を含むPDFを素早く正確にMarkdownに変換することができます...

一般的な紹介 eSearchはxushengfengによって開発されたオープンソースのクロスプラットフォームスクリーンショットツールで、Windows、macOS、Linuxをサポートしています。eSearchは、OCR認識、検索、翻訳、貼り付け、画像検索、画面録画を含む様々な機能を統合しています。eSearchはスクリーンショット、OCR認識、検索、翻訳、マッピング、画像検索、画面録画を含む様々な機能を統合している。

包括的な紹介 Surya は、90 以上の言語のテキスト認識をサポートするオープンソースの多言語文書 OCR ツールキットです。行単位のテキスト検出だけでなく、レイアウト分析、読み順検出、表認識も実行します。Suryaの性能は、ページ、テキスト、画像、テキスト、文字列など、さまざまな種類の文書でクラウドサービスに匹敵します。

包括的な紹介 MinerUは、上海人工知能研究所のOpenDataLabチームによって開発されたオープンソースのデータ抽出ツールで、複雑なPDF文書、ウェブページ、電子ブックからコンテンツを効率的に抽出することに重点を置いています。画像、数式、表、その他の要素を含むマルチモーダルPDFドキュメントを、分析しやすいm...

はじめに PixPin は、ユーザーの生産性を向上させるために設計された、強力な スクリーンショットおよび投稿ツールです。PixPin は、日常的なオフィスでもプロフェッショナルなニーズでも、便利なスクリーンショット、貼り付け、ロングスクリーンショット、テキスト認識（OCR）、ダイナミックスクリーンショット機能を提供します。シンプルなインターフェースと豊富な機能により、PixPinは...

包括的な紹介 GOT-OCR2.0は、統一されたエンドツーエンドモデルを通じて、OCR技術をOCR-2.0に向けて推進することを目的とした、StepStar共同開発オープンソース光学式文字認識（OCR）モデルです。このモデルは、通常のテキスト認識、フォーマットされたテキスト認識、きめ細かなOCR、マルチ...