Beschreibung
Surya OCR 2.5 ist ein hochmodernes Bild-Text-zu-Text-Modell, das von Datalab entwickelt wurde und speziell für robuste Dokumentenintelligenzaufgaben konzipiert ist. Mit 689 Millionen Parametern übertrifft es in der optischen Zeichenerkennung (OCR), Layoutanalyse und Tabellenerkennung frühere Versionen erheblich.
Weiterlesen
Das Modell zeigt eine außergewöhnliche Genauigkeit und erzielt 85,9 Punkte auf dem OmniParseBench sowie 83,7 % auf dem olmOCR-bench, was es zum bestbewerteten offenen Modell unter 1 Milliarde Parametern in den Bewertungen von Datalab macht. Es bietet beeindruckende Geschwindigkeit und erreicht einen Durchsatz von 4,5 Seiten pro Sekunde auf einer H100-GPU bei 192 DPI, was 1,7-mal schneller ist als Surya 2 mit MTP.
Surya OCR 2.5 ist hochgradig mehrsprachig und erreicht eine Bestehensquote von 74,9 % in einem internen Benchmark, der 91 Sprachen abdeckt. Es führt umfassende Layoutanalysen durch, identifiziert Elemente wie Tabellen, Bilder und Überschriften und bestimmt die Lesereihenfolge genau. Ein zentrales Merkmal ist die Fähigkeit, Tabellen als HTML auszugeben, einschließlich zusammengeführter Zellen, die durch die Attribute `colspan` und `rowspan` dargestellt werden.
Neben der Vollseiten-OCR umfasst Surya OCR 2.5 auch kleinere, spezialisierte Modelle zur Zeilenebene-Textdetektion und zur Erkennung von OCR-Fehlern. Es unterstützt eine breite Palette von Dokumenttypen, von Zeitungen und Nachschlagewerken bis hin zu Regierungsformularen, handschriftlichen Briefen und Unternehmensdokumenten. Das Modell kann mit Inferenz-Backends wie vllm (für NVIDIA-GPUs) oder llama.cpp (für CPU/Apple Silicon) installiert und betrieben werden, und eine interaktive Streamlit-App steht für einfache Tests zur Verfügung.
Die kommerzielle Nutzung des Surya-Codes ist unter Apache 2.0 lizenziert, während die Modellgewichte eine modifizierte AI Pubs Open Rail-M-Lizenz verwenden, die die kostenlose Nutzung für Forschung, persönliche Projekte und Startups mit weniger als 5 Millionen USD Finanzierung/Umsatz erlaubt. Breitere kommerzielle Lizenzierungsoptionen sind über die Preisseite von Datalab verfügbar. Datalab bietet auch eine verwaltete Plattform, die Surya und seine genauere Variante Chandra betreibt, mit kostenlosen Guthaben für neue Anmeldungen.
- KategorieComputer-Vision-Tools
- PreismodellFreemium
- BereitstellungCloud
- PlattformenWeb
Surya OCR 2.5 im Überblick
Bild-Text-zu-Text-Modell: Verarbeitet Bilder, um Text und strukturelle Informationen zu extrahieren.
Hohe Genauigkeit: Erreicht 85,9 Punkte auf dem OmniParseBench und 83,7 % auf dem olmOCR-bench.
Schneller Durchsatz: Erreicht 4,5 Seiten/s auf H100 bei 192 DPI.
Mehrsprachige Unterstützung: Benchmark über 91 Sprachen mit 74,9 % Gesamtbestehensquote.
Layoutanalyse: Erkennt Tabellen, Bilder, Überschriften und bestimmt die Lesereihenfolge.
Tabellenerkennung: Extrahiert Tabellen als HTML mit zusammengeführten Zellen (colspan/rowspan).
Textzeilenerkennung: Separates Modell für präzise Textzeilenerkennung.
OCR-Fehlererkennung: Dediziertes Modell zur Identifizierung von OCR-Ungenauigkeiten.
VLM-Integration: Führt Layout-, OCR- und Tabellenerkennung über eine einzige VLM aus.
Flexible Inferenz-Backends: Unterstützt vllm (NVIDIA GPU) und llama.cpp (CPU/Apple Silicon).
Interaktive Streamlit-App: Bietet eine interaktive Schnittstelle zum Testen von Bildern und PDFs.
Anpassbare Einstellungen: Überschreibt Einstellungen über Umgebungsvariablen zur Feinabstimmung.
Kommerzielle Lizenzierung: Apache 2.0 für Code, modifiziertes Open Rail-M für Modellgewichte.
Zugriff auf verwaltete Plattform: Verfügbar auf Datalabs verwalteter Plattform mit kostenlosen Guthaben.
Mathematik/ Gleichungsbehandlung: Erkennt und gibt mathematische Gleichungen in KaTeX-kompatiblem LaTeX innerhalb von HTML aus.
Erste Schritte mit Surya OCR 2.5
Surya OCR installieren: Installieren Sie das `surya-ocr`-Paket mit pip.
Inferenz-Backend einrichten: Konfigurieren Sie entweder vllm (für NVIDIA GPU) oder llama.cpp (für CPU/Apple Silicon) als Inferenzserver.
OCR-Befehl ausführen: Führen Sie den OCR-Befehl mit Ihrem Bild- oder PDF-Pfad aus, um Text und Begrenzungsrahmen zu extrahieren.
Layoutanalyse durchführen: Verwenden Sie den Layout-Befehl, um die Dokumentstruktur und die Lesereihenfolge zu erkennen.
Tabellen extrahieren: Nutzen Sie den Befehl zur Tabellenerkennung, um Tabellen als HTML-Ausgabe zu erhalten.
Textzeilenerkennung verarbeiten: Führen Sie den Befehl zur Textzeilenerkennung aus, um einzelne Textzeilen zu identifizieren.
Integration über Python: Greifen Sie direkt über Python-Skripte auf die Funktionen von Surya OCR zu.
Interaktive App verwenden: Starten Sie die Streamlit-App, um Surya interaktiv mit Bildern oder PDF-Dateien zu testen.
Surya OCR 2.5's Anwendungsfälle
- Dokumentendigitalisierung
- Datenextraktion
- Inhaltsarchivierung
- Mehrsprachige Dokumentenverarbeitung
- Layoutverständnis
- Automatisierte Formularverarbeitung
- Forschung und Wissenschaft
- Automatisierung von Geschäftsprozessen








