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。
rec.onnx— ラテン文字・キリル文字・ギリシャ文字・ラテン文字の手書きrec_cjk.onnx— 中国語・日本語・韓国語rec_rtl.onnx— アラビア語・ヘブライ語など右から左に書く文字rec_world.onnx— インド系文字・タイ語・クメール語など
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。
- x86・4 vCPU で 1 ページの中央値は約 210 ms。PaddleOCR PP-StructureV3 は約 41 秒、Tesseract 5 は約 5.5 秒
- 総合スコアは Indra 66.7(
--mathで 71.4)に対し PP-StructureV3 58.4。ただし--mathなしのテキスト単体のスコアは PP-StructureV3 が上 - 「毎秒 44 ページ」は AMD EPYC 32 コアでの値。4 コアでは毎秒約 6 ページ
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。
- 入力トークンが小さくなる
- RAG や全文検索の取り込みにそのまま使える
- OCR の段階では文書を外部に送らずに済む
- JSON の
bboxで、抽出した値が元ページのどこにあったかを示せる
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
- RAG — OCR で得た Markdown の主な取り込み先
- ローカルLLM比較(2026年春) — OCR を含むマルチモーダル対応の比較
- AI-ready データ設計 — LLM に渡すデータを整える考え方
ソース記事
- 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 — 2026-10-30