Inventário detalhado de projetos de código aberto de OCR: os 10 principais a não perder em 2025

A tecnologia de OCR é capaz de converter informações textuais de uma imagem em dados de texto editáveis e processáveis. Em termos simples, ela reconhece e extrai texto de imagens.

Em seguida, analisaremos os 10 projetos de código aberto de OCR mais estrelados no GitHub para oferecer a você um guia completo para a escolha de uma ferramenta de OCR.

01 GOT-OCR 2.0: modelo de OCR multimodal de ponta a ponta

GOT-OCR 2.0 é um modelo de OCR multimodal completo de código aberto com um tamanho de modelo de apenas 1,43 GB. Ele não apenas reconhece e extrai texto, mas também processaFórmulas matemáticas, fórmulas moleculares, diagramas, partituras, formas geométricase muitos outros, ampliando consideravelmente o escopo de aplicação da tecnologia OCR.

Características do modelo:

• Suporte multimodal: Além de texto normal, ele pode lidar com uma ampla gama de conteúdo complexo.
• Modelos leves: O tamanho do modelo é de apenas 1,43 GB, o que facilita a implantação.
• Identificação de ponta a ponta: Não há necessidade de procedimentos complexos de pré e pós-processamento.

Vantagens: O GOT-OCR 2.0 tem vantagens óbvias no tratamento de cenários complexos e conteúdos diversificados, e é adequado para cenários de aplicativos que precisam lidar com vários tipos de documentos.

Atualmente, ele tem 7,2 mil estrelas no GitHub!

Endereço de código aberto: https://github.com/Ucas-HaoranWei/GOT-OCR2.0

02 InternVL: um poderoso modelo multimodal de código aberto

InternVL é um macromodelo multimodal de código aberto desenvolvido pela equipe do OpenGVLab que tem como objetivo fornecer uma aproximação do GPT-4V e do Gêmeos Uma alternativa ao desempenho de modelos comerciais como o Pro.

Embora a InternVL pertença ao grande modelo visual, o cenário de aplicação é mais amplo, como a compreensão de imagens, e não o modelo vertical do campo de OCR, mas pode ser compatível com a extração de OCR do texto do cenário. Há muitos modelos visuais de código aberto excelentes, este artigo não lista todos eles, apenas o InternVL como exemplo.

Características do modelo:

• Recursos multimodais: Oferece suporte a uma ampla gama de tarefas, como compreensão de imagens e questionários visuais.
• Alto desempenho: Aproximação do desempenho dos modelos comerciais.
• Código aberto aberto: Conveniente para os desenvolvedores para desenvolvimento secundário e personalização.

Vantagens: O InternVL, como um macromodelo visual, tem vantagens no processamento de imagens complexas e na compreensão do conteúdo da imagem, além de atender às necessidades básicas do OCR.

Ele recebeu 7,2 mil estrelas até o momento.

Endereço de código aberto: https://github.com/OpenGVLab/InternVL

03 olmOCR: o especialista em estruturação de documentos PDF

olmOCR é desenvolvido pela AllenAI e se concentra em Linearização de documentos PDFUm kit de ferramentas que converte PDFs com layout complexo em texto estruturado adequado para treinamento em Modelagem de Linguagem Ampla (LLM).

Seu principal objetivo é gerar dados de texto coerentes, lidando com eficiência com problemas de PDF, como texto e gráficos mistos, layout de várias colunas etc., e melhorar a capacidade do LLM de entender documentos em cenários reais.

Detalhes técnicos:

• Análise de layout: Reconhecer com precisão layouts de várias colunas de texto, imagens, tabelas, etc. em PDF.
• Linearização de texto: Converta layouts complexos em sequências de texto lineares adequadas para o processamento do LLM.
• Reorganização do conteúdo: Resolver problemas como cruzamento de página, cruzamento de coluna etc., para garantir a coerência do texto.

Cenários de aplicativos:

• Análise de trabalhos acadêmicos: Extraia rapidamente as principais informações de seu documento.
• Processamento de documentos jurídicos: Extração estruturada de conteúdo de documentos, como contratos, sentenças, etc.
• Análise de demonstrações financeiras: Extração automatizada de dados financeiros e métricas importantes.

A configuração necessária é uma GPU NVIDIA atualizada (testada em RTX 4090, L40S, A100, H100) com pelo menos 20 GB de RAM de GPU e 30 GB de espaço disponível em disco.

Ele recebeu 9,8 mil estrelas até o momento!

Endereço de código aberto: https://github.com/allenai/olmocr
Demonstração on-line: https://olmocr.allenai.org/

04 Zerox: ferramenta de conversão de documentos estruturados orientada por IA

Zerox É uma ferramenta de extração de documentos orientada por IA desenvolvida pela equipe da Omni-AI que converte documentos em PDF, imagem, Docx, etc. em arquivos Markdown estruturados.

Vantagens:

• Não é necessário treinamento: Ao contrário das ferramentas tradicionais de OCR, a Zerox pode lidar com layouts complexos sem precisar treinar o modelo antecipadamente.
• Geração direta de conteúdo estruturado: Implemente o OCR com base em um modelo visual (por exemplo, GPT-4o-mini) e gere conteúdo estruturado diretamente.
• Manter a estrutura lógica: Reconheça o layout colunar de trabalhos acadêmicos, blocos de código em documentos técnicos, formulários de contratos, fórmulas de testes, etc. e gere um Markdown organizado.
• Comparação com o OCR tradicional Zerox: O Zerox omite as etapas tradicionais de análise de layout, redução da estrutura da tabela, etc. e gera resultados de Markdown diretamente.

Atualmente, está recebendo 10,3 mil estrelas!

Endereço de código aberto: https://github.com/getomni-ai/zerox
Endereço de experiência: https://getomni.ai/ocr-demo

05 Surya: reconhecimento de textos multilíngues e de estruturas complexas de documentos

Surya Concentra-se no reconhecimento de textos multilíngues e estruturas complexas de documentos, com especialização especial em reconhecimento de tabelas.

Palavras-chave: detecção de texto em nível de linha, análise de layout (detecção de tabelas, imagens, legendas, etc.), detecção de ordem de leitura, reconhecimento de tabela (detecção de linhas/colunas), LaTeX OCR

Principais recursos:

1. Suporte multilíngue: Suporte a mais de 90 idiomas, incluindo scripts complexos, como chinês, japonês e árabe, além dos principais idiomas, como inglês e espanhol, para processamento de documentos em cenários globalizados.
2. Otimização do reconhecimento de formas: É capaz de identificar com precisão as linhas, as colunas e a estrutura celular da tabela, inclusive o layout rotativo ou complexo da tabela, com desempenho melhor do que os principais modelos de código aberto atuais (como o Table Transformer).
3. Análise de documentos complexos: Ele pode detectar o título, as imagens, os parágrafos e outros elementos no documento e julgar de forma inteligente a ordem de leitura para evitar a confusão do conteúdo de saída.

Exemplo de cenário de aplicativo:

• Digitalização de documentos multilíngues: Contratos multilíngues, relatórios, etc. são gerenciados por empresas multinacionais.
• Digitalização de arquivos históricos: Lidar com documentos históricos que contêm tabelas e layouts complexos.
• Extração de dados científicos: Extração de dados tabulares de artigos acadêmicos.

O Surya é compatível com a operação de CPU/GPU e melhora significativamente a velocidade de reconhecimento por meio de processamento em lote e otimizações de pré-processamento de imagens (por exemplo, denoising, escala de cinza) para as necessidades de digitalização de documentos em nível empresarial.

Atualmente, ele tem 16,8 mil estrelas no GitHub!

Endereço de código aberto: https://github.com/VikParuchuri/surya

06 OCRmyPDF: adicione uma camada de texto pesquisável a PDFs digitalizados

Essa ferramenta de código aberto, projetada para documentos PDF digitalizados (ou seja, o PDF está cheio de imagens, as imagens no texto não podem ser copiadas) para adicionar uma camada de texto pesquisável e copiável.

Cenários de aplicativos:

• Digitalização de arquivos: Converta documentos digitalizados em papel para PDF pesquisável.
• Acessibilidade: Documentos PDF acessíveis para pessoas com deficiência visual.
• Recuperação de informações: Fácil de encontrar informações em um grande número de documentos digitalizados.

Vantagens:

• Identificação precisa: Suporte para mais de 100 idiomas usando o mecanismo de OCR do Tesseract.
• Otimização de imagens: Corrige automaticamente páginas distorcidas e páginas erradas giradas para melhorar as taxas de reconhecimento.
• Processamento em lote: Processe com eficiência milhares de páginas de documentos com aceleração de CPU de vários núcleos.

O OCRmyPDF tem uma clara vantagem no processamento de PDFs digitalizados, é fácil de instalar e usar e é compatível com Linux, Windows, macOS e Docker, oferecendo uma solução mais conveniente do que outras ferramentas que exigem o processamento manual de documentos digitalizados.

Atualmente, ele recebeu 20,7 mil estrelas no GitHub!

Ao abrir um PDF baseado em imagem, você descobrirá que o texto na imagem não pode ser copiado e pesquisado. O OCRmyPDF pode incorporar a camada de texto de OCR sob a imagem, suportando cópia e pesquisa de alta precisão.

Endereço de código aberto: https://github.com/ocrmypdf/OCRmyPDF
Documentação de acesso: https://ocrmypdf.readthedocs.io/en/latest/

07 Marker: conversão de PDF, imagens e outros documentos em vários formatos

Marcador É uma ferramenta eficiente de conversão de documentos desenvolvida por Vik Paruchuri que pode converter rapidamente PDF, imagens, documentos do Office e formatos EPUB em Markdown, JSON ou HTML.

Vantagens: Marcador Ele se destaca na análise de conteúdo complexo (por exemplo, tabelas, fórmulas matemáticas, blocos de código) com alta precisão e excelente velocidade de processamento, suporta aceleração de GPU e supera serviços de nuvem comparáveis (por exemplo, Llamaparse, Mathpix).

Aplicativos:

• Conversão de artigos acadêmicos: Converta documentos PDF em Markdown para facilitar a edição e a citação.
• Geração de documentação técnica: Converta documentos que contenham códigos e diagramas em um formato HTML fácil de publicar.
• Extração de dados: Extraia dados de tabelas e formulários para o formato JSON para facilitar o processamento subsequente.

O Marker pode recorrer a grandes modelos de linguagem (por exemplo, Gemini, Ollama) para otimizar os resultados, como mesclagem de tabelas entre páginas, formatação de fórmulas e extração de dados de formulários.

Atualmente, ele tem 22,8 mil estrelas no GitHub.

Endereço de código aberto: https://github.com/vikParuchuri/marker

08 EasyOCR: uma biblioteca de ferramentas de reconhecimento de texto multilíngue

EasyOCR É uma biblioteca de ferramentas de OCR de código aberto desenvolvida pela JaidedAI, que insere uma imagem e retorna o texto extraído, as coordenadas do local correspondente e o nível de confiança.

Características:

• Suporte multilíngue: Suporte para mais de 80 idiomas e vários sistemas de escrita (por exemplo, chinês, latim, árabe).
• Pronto para uso: Fornece modelos pré-treinados para implantação rápida sem treinamento adicional.
• Entrada flexível: Oferece suporte a vários formulários de entrada, como imagens, fluxos de bytes, URLs etc.
• API de simplicidade: Emita conteúdo de texto, posição e confiança por meio de uma API concisa.
• Compatível com CPU/GPU: O ambiente operacional pode ser selecionado com flexibilidade de acordo com as condições do hardware.

Treinamento de modelos: O EasyOCR é baseado na estrutura de aprendizagem profunda do PyTorch e usa uma estrutura de modelo CRNN (Convolutional Recurrent Neural Network) combinada com uma função de perda CTC (Connectionist Temporal Classification) para treinamento.

Cenários de aplicativos:

• Reconhecimento de documentos multilíngues: Ideal para trabalhar com documentos que contêm vários idiomas.
• Reconhecimento de texto de cena natural: Ele pode ser usado para reconhecer texto em cenas naturais, como placas de trânsito e placas de carro.
• OCR móvel: O modelo é leve e adequado para implantação em dispositivos móveis.

O EasyOCR combina a facilidade de desenvolvimento e os requisitos de aplicativos de nível industrial para cenários de OCR, como documentos multilíngues e textos de cenas naturais.

Atualmente, ele tem 26 mil estrelas no GitHub.

Endereço de código aberto: https://github.com/JaidedAI/EasyOCR
Endereço de demonstração: https://www.jaided.ai/documentai/demo

09 Umi-OCR: software de OCR off-line que se instala e funciona imediatamente

Este é um software de reconhecimento de texto OCR off-line, gratuito e de código aberto, compatível com os sistemas Windows 7+ x64 e Linux x64, sem necessidade de rede, que pode ser baixado e executado localmente.

Palavras-chave: software local, descompactar e executar off-line; OCR de captura de tela; OCR em lote;

Vantagens:

• Execução off-line: Não é necessária conexão com a Internet para proteger a privacidade do usuário.
• Simples de usar: Oferece uma interface gráfica para facilitar a operação.
• Rico em recursos: Suporta OCR de captura de tela, OCR em lote e muitas outras funções.
• Compare isso com outras ferramentas off-line: Apresenta fácil instalação e não há necessidade de configurar o ambiente operacional.

Até o momento, ele ganhou 30,8 mil estrelas.

Endereço de código aberto: https://github.com/hiroi-sora/Umi-OCR

10 Tesseract: Deuses antigos do campo de OCR

Tesseract é um mecanismo de OCR de código aberto avançado e amplamente usado que converte texto em imagens em texto editável.

Contexto histórico:

• Desenvolvido pela Hewlett-Packard Laboratories entre 1985 e 1994.
• Ele foi portado para o Windows depois de 1996.
• A HP tornou-o de código aberto em 2005.
• Patrocinado pelo Google, ele é um dos sistemas de OCR de código aberto mais conhecidos.

Características técnicas:

• Técnicas de aprendizagem profunda: O reconhecimento de caracteres usando técnicas avançadas de aprendizagem profunda (por exemplo, redes neurais convolucionais) é altamente preciso e tem bom desempenho, especialmente ao lidar com imagens digitalizadas de melhor qualidade.
• Suporte multilíngue: Reconhecimento de texto em mais de 100 idiomas.

Compare-o com outros mecanismos: O Tesseract tem uma longa história, uma comunidade ativa e está bem documentado, mas pode não ser tão bom quanto alguns dos mecanismos de OCR emergentes para lidar com layouts complexos e imagens de baixa qualidade.

Há também uma versão em JavaScript do Tesseract OCR: Tesseract.js, mas, após testes reais, descobriu-se que a versão em JS não é muito compatível com o idioma chinês.

Ele recebeu 65,3 mil estrelas no GitHub até o momento.

Endereço de código aberto: https://github.com/tesseract-ocr/tesseract
Endereço de código aberto: https://github.com/naptha/tesseract.js