Indra OCR leser 49 sider i sekundet på CPU med en modell på 1 million parametere
onsdag 14. oktober · KI-generert · Kilde: Datalab
Bytt ut Tesseract med Indra OCR når du trenger rask tekst og layout fra PDF-er på CPU, men les vektlisensen før du bygger noe kommersielt.
49 sider i sekundet på 32 CPU-kjerner, uten GPU: det er tallet Datalab oppgir for Indra OCR, som selskapet lanserte 13. oktober. Ifølge Datalab er det 11 til 17 ganger raskere enn Tesseract og PaddleOCRs PP-OCR-tekstmodeller på samme maskin, og én enkelt side tar rundt 230 ms på fire x86-kjerner.
Hele pakken er rundt 18 MB med modeller på ONNX Runtime, uten PyTorch. Du får en boks rundt hver linje, layoutblokker merket som overskrift, liste, tabell, bildetekst eller fotnote, og leserekkefølge som markdown eller JSON. Har PDF-en et brukbart tekstlag, leser Indra det i stedet for å kjøre OCR: median 130 ms per side mot 304 ms for sider som trenger OCR.
«For mange digitale og skannede dokumenter er fart viktigere enn nøyaktighet» — Datalab, i lanseringsinnlegget
Det er nettopp kompromisset. På Datalabs egen benchmark, OmniParseBench med 16 288 tester på 2 937 sider, scorer Indra 41,3 på tekst mot 35,8 for PP-OCR og 19,3 for Tesseract. PaddleOCRs fulle PP-StructureV3-pipeline leser tekst bedre (55,6), men bruker rundt 180 ganger så lang tid per side. Med flagget --math passerer Indra også den på tekst, mens tabellscoren faller litt.
Begrensningene er tydelige. Indra leser ikke håndskrift, tabeller med sammenslåtte celler mister ofte strukturen, og skann støttes bare for latinsk, kyrillisk, gresk, devanagari, bengali og kinesisk skrift. Norsk står ikke i modellkortets språkliste. Koden er Apache 2.0, mens vektene ligger under en modifisert OpenRAIL-M-lisens: gratis for forskning, personlig bruk og oppstartsselskaper under 20 millioner dollar i finansiering eller omsetning, og ikke til bruk som konkurrerer med Datalabs API.
Hva bør du gjøre?
- Installer med pip install indra-ocr og kjør indra-ocr fil.pdf for markdown, eller legg til --format json for bokser og layout.
- Test egne norske skann med æ, ø og å mot dagens Tesseract-oppsett før du bytter.
- Sjekk lisensvilkårene hvis dokumentpipelinen din er en del av et kommersielt produkt.