olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

olmocr

image.png

项目介绍

olmOCR 是 Allen Institute for Artificial Intelligence 开发的一个工具包,用于训练语言模型处理真实世界的 PDF 文档。该项目提供了多种功能和工具,包括自然文本解析、不同管道版本的评估、语言过滤和 SEO 垃圾信息去除、模型微调、大规模 PDF 处理以及文档查看等。项目支持本地和多节点 / 集群使用,需要 NVIDIA GPU 和一定的磁盘空间。用户可以通过在线演示或本地运行来使用该项目,处理结果将以 JSONL 格式存储,方便后续查看和分析。

主要功能

自然文本解析:提供使用 ChatGPT 4o 进行自然文本解析的提示策略。 评估工具:提供用于比较不同管道版本的评估工具。 过滤功能:支持基本的语言过滤和 SEO 垃圾信息去除。 模型微调:提供 Qwen2-VL 和 Molmo-O 的微调代码。 大规模 PDF 处理:支持通过微调模型处理数百万个 PDF 文件。 文档查看:支持查看从 PDF 创建的 Dolma 文档。

应用场景

科研领域:帮助科研人员处理和分析大量的 PDF 文献。 文档处理:在文档处理过程中,提高 PDF 文件的处理效率和准确性。 数据挖掘:从 PDF 文件中提取有价值的信息,用于数据挖掘和分析。

常见问题

问题 1:olmOCR 需要什么硬件要求? 回答:olmOCR 需要近期的 NVIDIA GPU(如 RTX 4090、L40S、A100、H100),至少 20GB 的 GPU 内存,以及 30GB 的可用磁盘空间。

问题 2:如何安装 olmOCR? 回答:首先需要安装 poppler-utils 和额外的字体,然后创建一个 conda 环境,克隆项目仓库并安装依赖。具体步骤可以参考项目文档中的安装部分。

问题 3:能否在本地运行 olmOCR? 回答:可以。运行本地需要 GPU,因为推理是由 sglang 提供支持的。可以使用python -m olmocr.pipeline命令来转换单个或多个 PDF 文件。

问题 4:olmOCR 支持多节点 / 集群使用吗? 回答:支持。olmOCR 支持从 AWS S3 读取 PDF 文件,并使用 AWS S3 输出桶来协调工作。可以在多个节点上并行运行,提高处理效率。

问题 5:如何查看处理结果? 回答:处理结果以 Dolma 风格的 JSONL 格式存储在./localworkspace/results目录中。可以使用cat命令查看结果,也可以使用dolmaviewer命令将结果与原始 PDF 文件进行并排查看。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多