本文へスキップ
hdknr blog

Indra OCR

Datalab が公開した CPU だけで動く軽量 OCR。ONNX Runtime で推論し、PDF や画像を Markdown・テキスト・座標付き JSON に変換する。日本語・縦書きにも対応するが、モデルの重みは修正版 OpenRAIL-M で商用利用に条件がある

概要

Indra OCR は、Datalab(datalab-to)が 2026 年 10 月に 1.1 を公開した OCR ツール。推論は ONNX Runtime で行い、PyTorch にも GPU にも依存しない。主認識器は公称 100 万(実際は約 125 万)パラメータ、既定モデル全体でも約 730 万パラメータと、数十億パラメータ級の VLM 系 OCR より桁違いに小さい。

位置づけは「きれいな印刷物を CPU で速く読む」ことに特化した OCR。LLM に文書を読ませる前のテキスト化(前処理)に向く。

詳細

基本情報

項目内容
実行環境Python 3.10 以上。Linux(x86_64 / aarch64)、macOS(Apple silicon)
依存ONNX Runtime、OpenCV、pypdfium2
モデル約 76 MB。初回実行時に Hugging Face から取得
出力Markdown / テキスト / JSON(行・ブロックの座標と信頼度つき)

処理の流れ

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 OCR する。OCR が本当に必要なのは主にスキャン画像。

OCR では向き・傾きを補正してレイアウトと行を検出し、行分類器が文字種ごとに 4 つの認識器へ振り分ける。

分類に自信がない行は主認識器でも読み、信頼度の高い方を採る。

使い方

pip install indra-ocr で CLI が入る。主なオプションは --format [md|text|json]、--mode [auto|ocr|text]、--cores N、--dpi N(既定 200)、数式を LaTeX で出す --math。indra-ocr-viewer はローカルのブラウザで検出した行・ブロック・読み順を元ページに重ねて確認できるビューアで、ファイルは手元から出ない。

Python からは indra_ocr.load() でコンバーターを作り convert() でページごとに結果を得る。大量処理には全コアにワーカーを立てる convert_many があり、macOS と Windows では if __name__ == "__main__": ガードが要る。結果の Page には Markdown のほか、行の座標(lines)、レイアウトブロック(blocks)、縦書きかどうか(vertical)、工程ごとの処理時間が入る。

性能(開発元のベンチマーク)

Datalab 自身の OmniParseBench(2,937 ページ)での数字なので、自分の文書で試してから判断するのが前提。

日本語と苦手な文書

日本語は rec_cjk.onnx が受け持つ。縦書きページは 90 度回転させて縦の 1 列を 1 行として読むが、横書きより精度が落ち、新聞のように段をまたぐ紙面では記事の順序が崩れることがある。日本語のテストは 19 件しかなく、スコアは参考値にとどまる。相性がよいのは請求書や見積書のような横書きの帳票。

README が苦手と明記するのは、結合セルや罫線のない複雑な表、手書き(スコア 25.2)、劣化したスキャン(29.5)、対象外の文字種(チベット文字など)。こうした文書向けに、Datalab は高精度モデル Chandra のマネージドサービスを案内している。

ライセンス:Apache 2.0 なのはコードだけ

モデルの重みは修正版 OpenRAIL-M。無償で使えるのは研究目的・個人利用・調達額または売上が 2,000 万ドル未満のスタートアップに限られ、Datalab の API と競合する用途には使えない。2,000 万ドルの判定は本人だけでなく雇用主や関連組織も含むので、業務で導入する前に Hugging Face 上の LICENSE を必ず読む。

LLM の前処理として

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る。CPU の OCR で先に Markdown にしておけば、次の利点がある。

一方、表崩れや手書きの弱さはそのまま LLM の入力品質に響く。少量で試し、ビューアで検出結果を目視してからパイプラインに組み込む。

関連ページ

ソース記事