跳转到主要内容
ToolPotion
AI 顾问
提交(免费)

Surya OCR 2.5

AI 模型计算机视觉工具免费增值 · 网页版

Surya OCR 2.5 是一个强大的 689M 参数图像文本到文本模型,专为文档智能设计。它提供高准确性、快速吞吐量和多语言支持,适用于 OCR、布局分析和表格识别。该模型可以处理各种文档类型,将文本、布局和表格提取为 HTML,使其非常适合高级文档处理任务。

查看模型
分享
查看模型
分享

Surya OCR 2.5 是由 Datalab 开发的最先进的图像文本到文本模型,专门针对强大的文档智能任务而设计。它拥有 6.89 亿个参数,在光学字符识别(OCR)、布局分析和表格识别方面表现出色,相较于之前的版本有显著提升。

阅读更多

该模型表现出色的准确性,在 OmniParseBench 上得分 85.9,在 olmOCR-bench 上得分 83.7%,使其成为 Datalab 评估中在 10 亿参数以下的开放模型中得分最高的。它的速度也令人印象深刻,在 192 DPI 的 H100 GPU 上实现每秒 4.5 页的吞吐量,比使用 MTP 的 Surya 2 快 1.7 倍。

Surya OCR 2.5 具有高度的多语言能力,在覆盖 91 种语言的内部基准测试中实现 74.9% 的通过率。它执行全面的布局分析,识别表格、图像和标题等元素,并准确确定阅读顺序。一个关键特性是它能够将表格输出为 HTML,合并单元格通过 `colspan` 和 `rowspan` 属性表示。

除了全页 OCR,Surya OCR 2.5 还包括用于行级文本检测和 OCR 错误检测的小型专用模型。它支持广泛的文档类型,从报纸和参考书到政府表格、手写信件和企业文档。该模型可以与 vllm(用于 NVIDIA GPU)或 llama.cpp(用于 CPU/Apple Silicon)等推理后端一起安装和运行,并提供一个交互式的 Streamlit 应用程序,便于测试。

Surya 代码的商业使用根据 Apache 2.0 许可,而模型权重使用修改后的 AI Pubs Open Rail-M 许可,允许在 500 万美元以下的资金/收入下免费用于研究、个人项目和初创公司。更广泛的商业许可选项可通过 Datalab 的定价页面获得。Datalab 还提供一个托管平台,运行 Surya 及其更高准确度的变体 Chandra,并为新注册用户提供免费积分。

  • 类别计算机视觉工具
  • 定价模式免费增值
  • 部署云端
  • 平台网页版

  • 图像文本到文本模型:处理图像以提取文本和结构信息。

  • 高准确性:在 OmniParseBench 上得分 85.9,在 olmOCR-bench 上得分 83.7%。

  • 快速吞吐量:在 192 DPI 的 H100 上实现每秒 4.5 页。

  • 多语言支持:在 91 种语言的基准测试中整体通过率为 74.9%。

  • 布局分析:检测表格、图像、标题,并确定阅读顺序。

  • 表格识别:将表格提取为 HTML,包含合并单元格(colspan/rowspan)。

  • 文本行检测:用于精确行级文本检测的单独模型。

  • OCR 错误检测:专用模型用于识别 OCR 不准确之处。

  • VLM 集成:通过单个 VLM 运行布局、OCR 和表格识别。

  • 灵活的推理后端:支持 vllm(NVIDIA GPU)和 llama.cpp(CPU/Apple Silicon)。

  • 交互式 Streamlit 应用:提供交互界面以测试图像和 PDF。

  • 可定制设置:通过环境变量覆盖设置以进行微调。

  • 商业许可:代码使用 Apache 2.0,模型权重使用修改后的 Open Rail-M。

  • 托管平台访问:可在 Datalab 的托管平台上使用,提供免费积分。

  • 数学/方程处理:在 HTML 中以 KaTeX 兼容的 LaTeX 格式识别和输出数学方程。

  1. 安装 Surya OCR:使用 pip 安装 `surya-ocr` 包。

  2. 设置推理后端:配置 vllm(用于 NVIDIA GPU)或 llama.cpp(用于 CPU/Apple Silicon)作为推理服务器。

  3. 运行 OCR 命令:执行 OCR 命令,使用您的图像或 PDF 路径提取文本和边界框。

  4. 执行布局分析:使用布局命令检测文档结构和阅读顺序。

  5. 提取表格:利用表格识别命令将表格输出为 HTML。

  6. 处理文本行检测:运行文本行检测命令以识别单独的文本行。

  7. 通过 Python 集成:直接从 Python 脚本访问 Surya OCR 功能。

  8. 使用交互式应用:启动 Streamlit 应用以交互式测试 Surya 在图像或 PDF 文件上的表现。

  • 文档数字化
  • 数据提取
  • 内容归档
  • 多语言文档处理
  • 布局理解
  • 自动化表单处理
  • 研究与学术
  • 业务流程自动化

Surya OCR 2.5 评价

加载中...

与 Surya OCR 2.5 类似的热门AI工具

GOT-OCR2.0 是一个先进的 OCR 模型,旨在实现高效的文本识别。它利用统一的端到端方法来提高准确性和性能,使其非常适合于文本提取和处理的各种应用。

AI 模型与大语言模型
查看工具

先进的 OCR 模型,旨在实现高效的文本识别。它利用统一的端到端方法来提高准确性和性能,使其非常适合于文本提取和处理的各种应用。GOT-OCR2.0 是一个先进的 OCR 模型,旨在实现高效的文本识别。它利用统一的端到端方法来提高准确性和性能,使其非常适合于文本提取和处理的各种应用。

AI 模型与大语言模型
查看 AI 模型 Top 5

MiniCPM-OCR 1.0 是一个专为文本中心文档理解设计的 OCR 特定模型。它在解析文本、表格和图表方面表现出色,为现实世界的文档处理提供高效的推理和便捷的部署。

AI 模型与大语言模型
查看工具

专为文本中心文档理解设计的 OCR 特定模型。它在解析文本、表格和图表方面表现出色,为现实世界的文档处理提供高效的推理和便捷的部署。MiniCPM-OCR 1.0 是一个专为文本中心文档理解设计的 OCR 特定模型。它在解析文本、表格和图表方面表现出色,为现实世界的文档处理提供高效的推理和便捷的部署。

AI 模型与大语言模型
查看 AI 模型 Top 5

LightOnOCR-3-4B 是一款高性能的 OCR 模型,提供先进的布局和视觉理解能力。它为视觉元素提供准确的转录和边界框坐标,适用于复杂的文档处理任务。

AI 模型与大语言模型
查看工具

高性能的 OCR 模型,提供先进的布局和视觉理解能力。它为视觉元素提供准确的转录和边界框坐标,适用于复杂的文档处理任务。LightOnOCR-3-4B 是一款高性能的 OCR 模型,提供先进的布局和视觉理解能力。它为视觉元素提供准确的转录和边界框坐标,适用于复杂的文档处理任务。

AI 模型与大语言模型
查看 AI 模型 Top 5

OCR - 图片阅读器

浏览器插件

这款 Chrome 扩展程序使用内部 OCR 引擎捕获和转换图像为文本。它支持 100 多种语言、自动方向和脚本检测。该工具离线处理 OCR,为各种文档类型和网页提供灵活性,并提供通过修改图像重试以提高准确性的选项。

计算机视觉工具
查看工具

浏览器插件

这款 Chrome 扩展程序使用内部 OCR 引擎捕获和转换图像为文本。它支持 100 多种语言、自动方向和脚本检测。该工具离线处理 OCR,为各种文档类型和网页提供灵活性,并提供通过修改图像重试以提高准确性的选项。

计算机视觉工具
查看 浏览器插件 Top 250

Tesseract OCR

AI GitHub 仓库

Tesseract OCR 是一个开源的光学字符识别引擎。它支持多种语言,可用于从图像中提取文本。非常适合寻求强大 OCR 解决方案的开发者。

计算机视觉工具
查看工具

AI GitHub 仓库

开源的光学字符识别引擎。它支持多种语言,可用于从图像中提取文本。非常适合寻求强大 OCR 解决方案的开发者。Tesseract OCR 是一个开源的光学字符识别引擎。它支持多种语言,可用于从图像中提取文本。非常适合寻求强大 OCR 解决方案的开发者。

计算机视觉工具
查看 AI GitHub 仓库 Top 250

RolmOCR

AI 模型

RolmOCR是Reducto AI开发的开源OCR工具,相比其前身olmOCR,提供更快的处理速度和更低的内存使用。它旨在高效处理各种文档类型,而无需使用元数据输入。

AI 模型与大语言模型
查看工具

AI 模型

Reducto AI开发的开源OCR工具,相比其前身olmOCR,提供更快的处理速度和更低的内存使用。它旨在高效处理各种文档类型,而无需使用元数据输入。RolmOCR是Reducto AI开发的开源OCR工具,相比其前身olmOCR,提供更快的处理速度和更低的内存使用。它旨在高效处理各种文档类型,而无需使用元数据输入。

AI 模型与大语言模型
查看 AI 模型 Top 5

Surya OCR

AI GitHub 仓库

Surya OCR 是一个多功能的光学字符识别工具,支持 90 多种语言的布局分析、阅读顺序和表格识别。旨在提高文档处理的效率和准确性。

AI 文档与 PDF 工具

AI GitHub 仓库 排名第 95 位

查看工具

AI GitHub 仓库

多功能的光学字符识别工具,支持 90 多种语言的布局分析、阅读顺序和表格识别。旨在提高文档处理的效率和准确性。Surya OCR 是一个多功能的光学字符识别工具,支持 90 多种语言的布局分析、阅读顺序和表格识别。旨在提高文档处理的效率和准确性。

AI 文档与 PDF 工具
AI GitHub 仓库 排名第 95 位

PaddleOCR

AI GitHub 仓库

PaddleOCR 是一个强大且轻量级的 OCR 工具包,旨在将 PDF 和图像文档转换为 AI 应用程序所需的结构化数据。它支持超过 100 种语言,弥合了图像、PDF 和大型语言模型之间的差距。

计算机视觉工具

AI GitHub 仓库 排名第 12 位

查看工具

AI GitHub 仓库

强大且轻量级的 OCR 工具包,旨在将 PDF 和图像文档转换为 AI 应用程序所需的结构化数据。它支持超过 100 种语言,弥合了图像、PDF 和大型语言模型之间的差距。PaddleOCR 是一个强大且轻量级的 OCR 工具包,旨在将 PDF 和图像文档转换为 AI 应用程序所需的结构化数据。它支持超过 100 种语言,弥合了图像、PDF 和大型语言模型之间的差距。

计算机视觉工具
AI GitHub 仓库 排名第 12 位
1/8