本文へスキップ
hdknr blog
戻る

Indra OCR:CPU だけで動く 100 万パラメータの OCR、日本語・縦書きにも対応

2026 年 10 月 19 日、Datalab が OCR モデル Indra OCR 1.1 を公開しました。創業者の Vik Paruchuri 氏はリリースの投稿で、特徴を次のように挙げています。

日本では StudioYebisu 氏の投稿が紹介して話題になりました。CPU で動く軽量 OCR で日本語に対応したものは珍しい、という指摘です。PDF や画像を LLM に読ませる前処理に使えば、トークンを節約しながら大量の請求書を処理できる、とも述べています。

この記事では公式リポジトリ datalab-to/indra の README をもとに、Indra OCR の仕組み、使い方、日本語での実力、LLM 前処理での使いどころ、そして導入前に必ず確認したいライセンスを整理します。

Indra OCR とは

Indra OCR は、PDF や画像を Markdown・プレーンテキスト・座標付き JSON に変換する OCR ツールです。推論は ONNX Runtime で行い、PyTorch にも GPU にも依存しません。

項目内容
開発元Datalab(datalab-to)
主認識器のパラメータ数約 125 万(rec.onnx、ラテン文字用)
既定モデル全体のパラメータ数約 730 万(数式用モデルは別)
モデルのダウンロードサイズ約 76 MB(初回実行時に Hugging Face から取得)
実行環境Python 3.10 以上。Linux(x86_64 / aarch64)と macOS(Apple silicon)で動作確認済み
依存ライブラリONNX Runtime、OpenCV、pypdfium2
出力形式Markdown / テキスト / JSON(行・ブロックの座標と信頼度つき)

「1M パラメータ」は主認識器 1 つの規模を丸めた数字です。実際の処理では、レイアウト検出や向き判定、言語ごとの認識器など複数のモデルを組み合わせて使います。それでも合計 730 万パラメータなので、数十億パラメータ級の VLM(画像を直接読める大規模言語モデル)系の OCR と比べれば桁違いに小さいモデルです。

処理の流れ

Indra OCR の処理の流れ。PDF や画像を入力すると、まずテキスト層をチェックし、合格したデジタル PDF はテキスト層をそのまま読む。テキスト層がないか不合格の場合は向きと傾きを補正し、レイアウトと行を検出したうえで、行分類器が文字種ごとに 4 種類の認識器(ラテン系、日中韓、右から左に書く文字、インド系・タイ語など)へ振り分け、Markdown・テキスト・JSON として出力する

既定の --mode auto は、デジタル PDF のテキスト層がチェックに合格すればそれを読み、合格しない部分だけを OCR します。テキスト層のある PDF なら文字種を問わず読めるので、OCR が必要なのは主にスキャン画像です。

OCR の段階では、検出した行ごとに行分類器が文字種を判定し、4 つの認識器のどれかに送ります。

行分類器の判定に自信がない行は主認識器も読み、信頼度の高い方の結果を採用します。

インストールと使い方

CLI

pip install indra-ocr

初回実行時にモデルがダウンロードされます。次の例のファイル名は、手元のものに置き換えてください。

indra-ocr paper.pdf                    # Markdown を標準出力へ
indra-ocr *.pdf --out results/         # 入力ごとに .md を出力、全コアを使用
indra-ocr scan.png --format json       # 行・座標・レイアウトブロック・信頼度
indra-ocr paper.pdf --mode ocr         # テキスト層を無視して全ページ OCR
indra-ocr paper.pdf --math             # 数式を LaTeX で出力(既定は無効)

indra-ocr-viewer                       # http://localhost:8765 でローカルビューア

主なオプションは次のとおりです。

indra-ocr-viewer を起動すると、ブラウザに PDF や画像をドロップするだけで、検出した行・レイアウトブロック・読み順を元のページに重ねて確認できます。ファイルが手元のマシンから出ることはありません。

Python から使う

import indra_ocr

conv = indra_ocr.load(threads=4)          # mode="auto" | "ocr" | "text"
for i, page in conv.convert("paper.pdf"):
    print(page.source, page.timings["total_ms"])
    print(page.markdown)                  # 見出し・リスト・表(HTML)
    # page.blocks : [{"label", "bbox", "text"}] 読み順
    # page.lines  : [Line(box, text, conf)] 読み順

大量のファイルを処理するときは、convert_many を使うとコアごとにワーカープロセスを立てて並列に処理できます。macOS と Windows では if __name__ == "__main__": ガードが必要です。

import indra_ocr

if __name__ == "__main__":
    for path, result in indra_ocr.convert_many(["a.pdf", "b.pdf"], cores=None):  # None で全コア
        if isinstance(result, indra_ocr.InputError):
            continue                      # 読めない・ロックされたファイル
        for i, page in result:
            print(path, i, page.source)

各ページの Page オブジェクトには、Markdown とテキストのほかに、行単位の座標(lines)、レイアウトブロック(blocks)、回転・傾きの補正量、縦書きかどうか(vertical)、工程ごとの処理時間(timings)が入っています。

ベンチマーク

README には、Datalab 自身が公開しているベンチマーク OmniParseBench(2,937 ページ、16,288 件の合否テスト)での結果が載っています。どれも x86・4 vCPU・1 ページずつという同じ条件での計測です。

エンジン総合テキスト表レイアウト1 ページの処理時間(中央値)
Indra OCR(auto)66.746.761.192.2212 ms
Indra OCR --math(auto)71.462.759.692.0357 ms
PaddleOCR PP-StructureV358.455.647.871.740,958 ms
Tesseract 5–19.30.0–5,496 ms

「–」は該当するスコアがないことを示します。Tesseract は行単位のテキストしか出力しないため、表のスコアが 0 になり、レイアウトは採点対象外です。

スループット(AMD EPYC 9004、OCR モード)は次のとおりです。

エンジン(ページ/秒)4 コア8 コア16 コア32 コア
Indra OCR6.211.923.743.9
PaddleOCR PP-OCRv6 small(テキストモデルのみ)0.651.242.424.28
Tesseract 50.781.372.272.92

「毎秒 44 ページ」は 32 コアでの数字です。4 vCPU の x86 環境では、1 ページあたりの中央値が約 210 ms です(README によれば、同じコードでも実行ごとに 15% 程度ぶれます)。

なお --math なしの場合、テキストのスコアは PP-StructureV3 の方が上です。ただし処理時間は Indra OCR の約 190 倍かかります。

ベンチマークは開発元自身によるものなので、自分の文書で試してから判断するのが確実です。

日本語での実力

日本語の OCR は rec_cjk.onnx が受け持ちます。縦書きの中国語・日本語のページは 90 度回転させてから読むため、縦の 1 列が 1 行として認識器に送られます。

OmniParseBench の文字種別スコアは、日本語(かな)が 57.9、中国語が 64.0、韓国語が 79.2 です。ただし日本語のテストは 19 件しかなく、1 件で数ポイント動く程度の参考値にすぎません。

README の制約事項には、縦書きについて次の注意があります。

StudioYebisu 氏も「若干縦書き弱い」と書いています。請求書や見積書のような横書きの帳票が、いちばん相性のよい用途でしょう。

苦手な文書

README は、次の文書には向かないと明記しています。

こうした文書について Datalab は、同社の高精度モデル Chandra を使うマネージドサービスを案内しています。Indra OCR は「きれいな印刷物を速く読む」ことに特化したモデル、と位置づけるのが妥当です。

ライセンスに注意:Apache 2.0 なのはコードだけ

StudioYebisu 氏の投稿には「Apache 2.0」とありますが、Apache 2.0 なのはコードだけです。モデルの重みには、修正版の OpenRAIL-M ライセンスが適用されます。

README の「Commercial usage」によると、重みを無償で使えるのは次のケースです。

さらに、Datalab の API と競合する用途には使えません。この条件を外したい場合や、より広い商用ライセンスが必要な場合は、Datalab の料金ページから問い合わせられます。

注意したいのは、2,000 万ドルの基準を判定する対象が利用者本人だけではない点です。LICENSE では、本人・雇用主・関連組織のいずれかが、前年の売上高か累計の調達額のどちらかで 2,000 万ドルを超えていれば、個人利用・研究目的を除いて利用できないとしています。会社の業務で請求書を大量に処理する場合、組織の規模によってはそのままでは使えません。業務で導入する前に、Hugging Face の LICENSE を必ず読んでください。

LLM の前処理として使う

PDF や画像をそのままマルチモーダル LLM に渡すと、画像トークンのコストがかかります。ページ数が多ければ、その分だけ費用も時間も膨らみます。CPU で動く軽量な OCR で先にテキスト化しておけば、LLM には Markdown だけを渡せます。

一方で、表が崩れやすい・手書きに弱いといった制約は、そのまま LLM の入力品質に響きます。対象の文書を少量で試し、indra-ocr-viewer で行とブロックの検出結果を目で確認してから、パイプラインに組み込むのがよいでしょう。

まとめ

参考



前の記事
必須コードレビューをやめるなら、品質は何で担保するのか — レビューが担っていた 8 つの役割と AI 時代の代替手段
次の記事
Harness²:エージェントが自分のハーネスを磨き続ける Google Research の OSS