タグ: OCR

包括的な紹介 万能OCRプログラムは、複雑な学術文書や教育文書を処理するために設計されたオープンソースの光学式文字認識（OCR）ツールです。PDF、画像、その他の文書からテキスト、表、数式、図、回路図を抽出し、機械学習トレーニングに適した構造を生成することができます。

包括的な紹介 それは自動的にPDF文書のレイアウトを分析し、ページ内のテキスト、タイトル、画像、表、数式やその他の要素を識別し、それらの正しい順序を決定します。このツールはOCR機能をサポートしており、スキャンしたPDFを検索可能なテキストに変換することができます。Docker上で動作し、2つのモデルを提供します：ビジュアルモデル（Vis...

包括的な紹介 RolmOCRは、Reducto AIチームによって開発されたオープンソースの光学式文字認識（OCR）ツールで、Qwen2.5-VL-7B視覚言語モデルに基づいています。類似のツールolmOCRよりも高速に画像やPDFファイルからテキストを抽出することができ、メモリフットプリントも小さくなっています。

概論 uniOCRはmediar-aiチームによって開発されたオープンソースのテキスト認識ツールです。macOS、Windows、Linuxをサポートしています。macOS、Windows、Linuxをサポートしており、画像からテキストを抽出することができます。

一般的な紹介 PDF Craftは、書籍のPDFをスキャンしてMarkdown形式に変換するために設計されたオープンソースツールです。このツールはoomol-labによって開発され、電子書籍の整理が好きなユーザのためにGitHubでホストされています。このツールは、インターネットに接続することなく、ローカルのAIモデルを通して実行されます。

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。