21 октября 2026

Indra OCR, по заявлению разработчиков команды Data Science AI, распознает сложные документы с плотной версткой, не уступая более тяжелым конвейерам компьютерного зрения. Модель содержит 1,25 млн параметров и занимает файл размером 30 МБ. По заявленным данным, на современном многоядерном процессоре она обрабатывает 49 страниц в секунду. Модель работает локально, без выделенной видеопамяти GPU (0 МБ).

В тесте использовались три задачи с реальными документами: научная статья с описанием механизма внимания (attention), статья с архитектурной диаграммой и изображение с таблицей результатов бенчмарка. Все вычисления выполнялись на CPU.

Конвейер обработки

Обработка документа проходит четыре этапа:

1. Определение ориентации. Модель определяет ориентацию страницы и исправляет наклон изображения до 45°. Выравнивание выполняется до начала извлечения текста.
2. Сегментация макета. Модель разделяет заголовки, абзацы и таблицы и вычисляет точные ограничивающие рамки (bounding boxes) для каждой зоны.
3. Определение письменности. Модель определяет тип письменности в каждой строке динамически. По заявлению разработчиков, она распознает латиницу, арабскую письменность и другие языки мира.
4. Формирование результата. Распознанные сегменты собираются в естественном порядке чтения. На выходе формируются JSON-файлы и таблицы в формате Markdown.

Установка

Модель устанавливается через официальную библиотеку Hugging Face командой pip install. Установка выполнялась в среде Google Colab. После установки команда справки подтвердила доступность всех опций инструмента.

Запуск и конфигурация

Тестовый проект состоит из основного файла Python и конфигурационного файла. В конфигурации задаются:

• имена входных файлов;
• имена выходных файлов и требуемые форматы;
• количество потоков CPU, которое будет использовать модель.

Основной файл загружает модель из пакета Indra OCR и передает ее в три функции, каждая из которых выполняет отдельную задачу. Функции используют модуль convert для обработки входных изображений.

При значении 4 в конфигурации модель запускает четыре параллельных конвейера, которые выполняют задачи одновременно. Для снижения нагрузки на процессор количество потоков уменьшают в конфигурационном файле.

Запуск проекта выполняется командой python main.py. Модель также поддерживает работу из командной строки. Команда с указанием одного файла запускает полный конвейер и выдает структурированный отчет в Markdown. Дополнительно можно задать папку для результатов и формат выходного файла. Команда запуска локального веб-интерфейса OCR-просмотрщика открывает визуализацию распознавания в браузере.

Тестирование

Задача 1: SVG-визуализация статьи «Attention Is All You Need»

Модель обработала статью «Attention Is All You Need» и построила визуальный SVG-файл. В результате извлечены:

• математические формулы;
• подписи диаграмм;
• таблицы с цветовым выделением разных категорий сложности.

Элементы расположены в том же порядке, что и в исходной статье.

Обработка 15-страничного документа заняла 0,2 секунды. Модель также сформировала JSON-отчет. В отчете указаны устройство (CPU), число параллельных потоков (4) и отсутствие использования видеопамяти. JSON содержит структурированные данные по формулам, рисункам, абзацам и строкам таблиц.

Задача 2: Структурированный Markdown-отчет

Во второй задаче модель обработала ту же статью и выполнила следующее:

• определила ориентацию страницы: 0°, поскольку документ является научной статьей;
• выделила все текстовые блоки, включая абзацы аннотации;
• сохранила порядок чтения сверху вниз и слева направо;
• передала формулы в формате LaTeX;
• передала таблицы в виде строк Markdown-таблицы.

Заголовки и колонтитулы страниц были автоматически выделены и отделены от основного текста. Структура таблиц сохранена: заголовки столбцов, математические формулы и границы строк.

Задача 3: Извлечение таблицы бенчмарка

В третьей задаче модель извлекла таблицу результатов бенчмарка и сохранила ее в JSON. Данные разделены по словарям для каждой модели: Indra OCR, PaddleOCR и Tesseract. Для каждого словаря заданы отдельные ключи.

Вторая таблица содержит архитектуры трансформеров с указанием стоимости обучения и достигнутой точности.

По данным из таблицы, Indra OCR работает в 23 раза быстрее Tesseract и в 15 раз быстрее PaddleOCR. Модель занимает 38 МБ и не использует видеопамять GPU.

Результаты бенчмарков

По официальным данным разработчиков:

По заявлению разработчиков, в тесте OmniPage Match модель набрала 71,4%, что выше показателей более тяжелых альтернатив в распознавании математических выражений.

Флаг математики добавляет распознавание уравнений и сохраняет задержку ниже 400 миллисекунд.

По данным разработчиков, для PaddleOCR и Tesseract время выполнения составило порядка 41 и 5 секунд.

Дополнительные характеристики:

• Координаты: модель возвращает точные координаты пикселей для каждой строки текста.
• Языки: поддерживается более 80 систем письма, включая несколько языков на одной странице.
• Цифровые PDF: текст, встроенный в PDF, извлекается за 1 миллисекунду. Нейросетевая обработка применяется только к встроенным сканированным изображениям.

Ограничения

• Таблицы без границ. В сложных таблицах без границ и с многострочными ячейками модель может ошибочно выравнивать координаты строк. Модель лучше подходит для таблиц с четкими границами.
• Рукописный текст. При распознавании курсивного рукописного текста точность снижается до 25%. Для низкокачественных изображений и рукописных текстов требуются специализированные модели компьютерного зрения.

Выводы

Основные преимущества Indra OCR по результатам теста:

• работа полностью на CPU без GPU;
• выдача ограничивающих рамок и порядка чтения, что исключает необходимость в дополнительной постобработке.

Модель, по результатам теста, подходит для счетов, квитанций и структурированных деловых документов с четкими таблицами. Для таких документов модель сочетает высокую скорость, точность и низкую вычислительную стоимость.