説明
Surya OCR 2.5は、Datalabによって開発された最先端の画像-テキスト-テキストモデルで、堅牢な文書インテリジェンスタスクのために特別に設計されています。689百万のパラメータを持ち、光学文字認識(OCR)、レイアウト分析、テーブル認識において優れた性能を発揮し、以前のバージョンに比べて大幅な改善を実現しています。
続きを読む
このモデルは、OmniParseBenchで85.9、olmOCR-benchで83.7%のスコアを記録し、Datalabの評価において10億パラメータ未満のオープンモデルの中で最高スコアを誇ります。H100 GPUで192 DPIの条件下で、1秒あたり4.5ページのスループットを達成し、Surya 2のMTPと比較して1.7倍の速さを実現しています。
Surya OCR 2.5は非常に多言語対応で、91言語をカバーする内部ベンチマークで74.9%の合格率を達成しています。テーブル、画像、ヘッダーなどの要素を特定し、正確に読み取り順序を決定する包括的なレイアウト分析を実施します。重要な機能は、マージされたセルを`colspan`および`rowspan`属性で表現したHTMLとしてテーブルを出力できることです。
フルページOCRを超えて、Surya OCR 2.5には、行レベルのテキスト検出とOCRエラー検出のための小型の専門モデルも含まれています。新聞、参考書、政府のフォーム、手書きの手紙、企業文書など、幅広い文書タイプをサポートしています。このモデルは、vllm(NVIDIA GPU用)やllama.cpp(CPU/Apple Silicon用)などの推論バックエンドでインストールおよび実行でき、簡単なテストのためにインタラクティブなStreamlitアプリも利用可能です。
Suryaコードの商業利用はApache 2.0の下でライセンスされており、モデルの重みは修正されたAI Pubs Open Rail-Mライセンスを使用しており、500万ドル未満の資金/収益の研究、個人プロジェクト、スタートアップに対して無料で使用できます。より広範な商業ライセンスオプションは、Datalabの価格ページを通じて利用可能です。Datalabは、Suryaとその高精度バリアントであるChandraを実行する管理プラットフォームも提供しており、新規サインアップには無料クレジットが付与されます。
- カテゴリーコンピュータービジョンツール
- 料金モデルフリーミアム
- デプロイクラウド
- プラットフォームWeb
Surya OCR 2.5のハイライト
画像-テキスト-テキストモデル:画像を処理してテキストと構造情報を抽出します。
高精度:OmniParseBenchで85.9、olmOCR-benchで83.7%のスコアを記録。
高速スループット:H100で192 DPIの条件下で1秒あたり4.5ページを達成。
多言語サポート:91言語を対象にしたベンチマークで74.9%の合格率。
レイアウト分析:テーブル、画像、ヘッダーを検出し、読み取り順序を決定します。
テーブル認識:マージされたセル(colspan/rowspan)を含むHTMLとしてテーブルを抽出。
テキスト行検出:正確な行レベルのテキスト検出のための別モデル。
OCRエラー検出:OCRの不正確さを特定するための専用モデル。
VLM統合:単一のVLMを通じてレイアウト、OCR、テーブル認識を実行。
柔軟な推論バックエンド:vllm(NVIDIA GPU)およびllama.cpp(CPU/Apple Silicon)をサポート。
インタラクティブなStreamlitアプリ:画像やPDFをテストするためのインタラクティブなインターフェースを提供。
カスタマイズ可能な設定:環境変数を介して設定をオーバーライドして微調整。
商業ライセンス:コードはApache 2.0、モデルの重みは修正されたOpen Rail-M。
管理プラットフォームアクセス:Datalabの管理プラットフォームで利用可能で、無料クレジットがあります。
数学/方程式処理:HTML内でKaTeX互換のLaTeX形式で数学的方程式を認識し出力。
Surya OCR 2.5をはじめる
Surya OCRのインストール:pipを使用して`surya-ocr`パッケージをインストールします。
推論バックエンドの設定:vllm(NVIDIA GPU用)またはllama.cpp(CPU/Apple Silicon用)を推論サーバーとして設定します。
OCRコマンドの実行:画像またはPDFのパスを指定してOCRコマンドを実行し、テキストとバウンディングボックスを抽出します。
レイアウト分析の実施:レイアウトコマンドを使用して文書構造と読み取り順序を検出します。
テーブルの抽出:テーブル認識コマンドを利用してHTML出力としてテーブルを取得します。
テキスト行検出の処理:テキスト行検出コマンドを実行して個々のテキスト行を特定します。
Python経由で統合:Pythonスクリプトから直接Surya OCRの機能にアクセスします。
インタラクティブアプリの使用:Streamlitアプリを起動して、画像やPDFファイルでSuryaをインタラクティブにテストします。
Surya OCR 2.5の使用例
- 文書デジタル化
- データ抽出
- コンテンツアーカイブ
- 多言語文書処理
- レイアウト理解
- 自動フォーム処理
- 研究と学術
- ビジネスプロセスの自動化








