RolmOCR：识别手写和倾斜字符的文档OCR模型

综合介绍

RolmOCR 是由 Reducto AI 团队开发的一款开源光学字符识别（OCR）工具，基于 Qwen2.5-VL-7B 视觉语言模型。它能从图片和 PDF 文件中提取文字，速度比同类工具 olmOCR 更快，内存占用更低。RolmOCR 不依赖 PDF 元数据，简化了处理流程，同时支持多种文档类型，包括手写笔记和学术论文。它在 Apache 2.0 许可下发布，免费供个人和开发者使用、修改或集成。Reducto 团队通过更新模型、优化训练数据打造了这款工具，目标是让文档数字化更高效。

功能列表

• 快速文字提取：从图片和 PDF 中提取文字，处理速度快，适合大量文档。
• 支持多种文档：能识别手写笔记、打印文件和复杂表格。
• 开源免费：在 Apache 2.0 许可下开放，代码可自由下载和调整。
• 低内存占用：相比 olmOCR 更省资源，运行时对电脑要求低。
• 无需元数据：直接处理原始文档，不用依赖 PDF 的额外信息。
• 增强倾斜文档识别：训练数据中 15% 被旋转，提升对非正角度文档的适应性。
• 基于最新模型：采用 Qwen2.5-VL-7B，提升识别准确度和效率。

使用帮助

RolmOCR 是一个开源工具，主要通过代码运行，适合有编程基础的用户。以下是详细的安装和使用指南。

安装流程

1. 检查 Python 环境
   RolmOCR 需要 Python 3.8 或更高版本。打开命令行，输入 python --version 查看版本。如果没有安装，去 Python 官网 下载并安装。
2. 安装 vLLM 框架
   RolmOCR 使用 vLLM 运行模型。在命令行输入：

pip install vllm

安装完成后，设置环境变量：

export VLLM_USE_V1=1

这能确保 vLLM 正常工作。

3. 下载 RolmOCR 模型
   模型文件在 Hugging Face 上托管。访问 https://huggingface.co/reducto/RolmOCR，点击“Files and versions”下载。或者用命令行拉取：

git clone https://huggingface.co/reducto/RolmOCR

4. 启动本地服务
   进入下载的模型文件夹，运行：

vllm serve reducto/RolmOCR

服务启动后，默认地址是 http://localhost:8000/v1。保持命令行窗口打开。

使用方法

RolmOCR 通过 API 调用来提取文字。以下是具体步骤。

准备文件

准备需要识别的文件，比如图片（PNG/JPG）或 PDF。假设文件路径是 test_doc.png。

调用 API 提取文字

用 Python 编写脚本，把文件转为 base64 编码后发送给 RolmOCR。示例代码如下：

from openai import OpenAI
import base64
# 连接本地服务
client = OpenAI(api_key="123", base_url="http://localhost:8000/v1")
model = "reducto/RolmOCR-7b"
# 图片转 base64
def encode_image(image_path):
with open(image_path, "rb") as image_file:
return base64.b64encode(image_file.read()).decode("utf-8")
# 调用 RolmOCR 提取文字
def ocr_page_with_rolm(img_base64):
response = client.chat.completions.create(
model=model,
messages=[
{
"role": "user",
"content": [
{"type": "image_url", "image_url": {"url": f"data:image/png;base64,{img_base64}"}},
{"type": "text", "text": "把这张图片里的文字提取出来，像人读的那样自然返回。"}
]
}
],
temperature=0.2,
max_tokens=4096
)
return response.choices[0].message.content
# 运行示例
test_img_path = "test_doc.png"
img_base64 = encode_image(test_img_path)
result = ocr_page_with_rolm(img_base64)
print(result)

保存为 ocr_test.py，然后运行：

python ocr_test.py

程序会返回提取的文字，比如：

会议记录
2025年4月7日
- 项目计划讨论
- 准备相关资料

批量处理

要处理多份文件，可以改写代码。把文件路径放进列表，循环调用：

file_paths = ["doc1.png", "doc2.png", "doc3.png"]
for path in file_paths:
img_base64 = encode_image(path)
result = ocr_page_with_rolm(img_base64)
print(f"{path} 的结果：\n{result}\n")

特色功能操作

1. 手写文字识别
   RolmOCR 能识别手写内容。比如一张写着“Deepseek Coder”的笔记，它能准确输出，不会误认成“OCLM”。上传图片后，结果会按自然顺序排列。
2. 倾斜文档处理
   训练数据中 15% 被旋转，所以它对倾斜的文档更适应。比如一张歪斜的扫描件，文字依然能正确提取。
3. 低内存运行
   不依赖元数据，提示长度变短，处理时占用的显存（VRAM）更少。适合配置较低的电脑。

注意事项

• 服务中断：启动服务后，不要关闭命令行窗口，否则 API 会停止。
• 内存不足：如果电脑内存不够，可以调整 vLLM 参数，比如 per_device_train_batch_size，降低资源需求。
• 局限性：RolmOCR 可能漏掉低对比度的小文字，或对无元数据的复杂表格识别不全。建议优化图片质量后再试。
• 不支持布局框：不像 Reducto 的商业 API，RolmOCR 无法输出文字的bounding box（位置框）。

通过这些步骤，用户可以轻松安装和使用 RolmOCR，把文档中的文字快速提取出来。

应用场景

1. 学术研究
   学生和研究者可以用 RolmOCR 扫描手写笔记或老旧文献，转成电子文本，方便整理和搜索。
2. 企业文档处理
   公司能用它提取合同、信封上的文字，录入系统，减少手动工作。
3. 多语言支持
   处理中英文混合文档或法语手写信件，快速提取信息，适合跨国交流。

QA

1. RolmOCR 和 olmOCR 有什么区别？
   RolmOCR 基于更新的 Qwen2.5-VL-7B 模型，速度更快，内存占用低，不用元数据，且对倾斜文档更robust。
2. 可以离线使用吗？
   可以。只要下载模型并启动本地服务，无需联网。
3. 支持表格识别吗？
   支持，但对无元数据的复杂表格可能漏掉部分内容，比如学术论文中的副标题。