企业官网建设流程全解析

Indra OCR 是一款仅 1M 参数、纯 CPU 运行的轻量级 OCR 模型，支持 PDF 与图片转 Markdown / 文本 / JSON，实测比 Tesseract 快 15 倍，精度接近 1B+ 参数的大模型。它支持 80+ 种语言、手写体、倾斜和倒置页面，首次运行自动下载约 76 MB 模型，无需 GPU 和 PyTorch。

一、Indra OCR 凭什么“以小博大”？

先给结论——这是官方 OmniParseBench 基准（2,937 页）上，OCR 引擎“文本精度 vs 单页耗时”的对比图：

几个关键数据：

• 快：32 核 CPU 上约 44 页/秒，是 Tesseract 的 15 倍、PaddleOCR PP-OCR 文本模型的 10 倍；4 核上单页仅约 210 ms。
• 准：OmniParseBench 总分 66.7（开启--math后 71.4），全面领先 PaddleOCR 完整流水线（58.4）。
• 小：主识别器rec.onnx约 125 万参数，全部默认模型合计 7.3M 参数，基于 ONNX Runtime 推理。

💡 完整基准数据与复现脚本见 README.md 的 Benchmarks 章节和 bench/opb_indra.py。

二、快速上手：三步完成 PDF 转 Markdown

安装（只需 Python 3.10+）：

pip install indra-ocr

一条命令出结果：

indra-ocr paper.pdf # Markdown 直接输出到终端 indra-ocr *.pdf --out results/ # 每个输入生成一个 .md，自动用满所有核心 indra-ocr scan.png --format json # 输出文本行、坐标框、版式块、置信度

几个常用参数：

除了命令行，它还是一个很薄的 Python 库，核心实现分布在 indra_ocr/ 目录下：

import indra_ocr conv = indra_ocr.load(threads=4) for i, page in conv.convert("paper.pdf"): print(page.markdown) # 标题、列表、表格（HTML） print(page.blocks) # 按阅读顺序的版式块：label / bbox / text

可运行的示例脚本：examples/ocr_image.py（图片转 Markdown / 文本 / JSON）和 examples/quickstart.ipynb（快速上手 Notebook）。

三、揭秘：1M 参数如何逼平 1B 级大模型？

小模型通常精度吃亏，Indra OCR 的做法不是“堆参数”，而是把工程效率花在刀刃上。拆开看（主流程见 indra_ocr/pipeline.py）：

1. 按书写系统分治识别：每条文本行“对号入座”

它并不用一个巨型模型硬啃所有语言，而是 4 个专用识别器 + 1 个行分类器：

• rec.onnx：拉丁字母（约 50 种语言）、西里尔、希腊文及拉丁手写体；
• rec_cjk.onnx：简/繁体中文、日文、韩文；
• rec_rtl.onnx：阿拉伯、波斯、乌尔都、希伯来等右起文字（输出自动转为逻辑顺序）；
• rec_world.onnx：印地文、泰米尔、泰文、缅甸文等其余文字。

分类器把每条文本行路由到对应识别器，不确定的行会由主识别器“复核”，取置信度更高的结果（路由阈值见pipeline.py中的ROUTE_SURE）。

2. 语言模型兜底：读得不行就“重读一遍”

对置信度低的行（阈值LM_GATE），用 n-gram 语言模型做 beam search 重读，手写体和噪声页收益明显——模型包里的 46 MB 语言模型就是为它准备的（语言模型逻辑见 indra_ocr/lm.py）。

3. PDF 文本层优先，OCR 只补漏

--mode auto（默认）会先校验数字 PDF 的文本层是否可信（含对 Hindi 传统字体、Chrome 导出的右起文本层等坑的专项检查），可信就直接读文本层，不可信才启动 OCR。这招让它在“文本 + 表格 + 版面”综合得分上大幅领先，也解释了表格和版面两项的高分（92.2）。

4. 每页并行：吃满所有 CPU 核心

单页内部用多线程加速有限，真正的提速来自页间并行：每个可用核心跑一个单线程 worker 进程，一页一个任务，哪怕一个长 PDF 也能用满全部核心（进程池实现见 indra_ocr/parallel.py，命令行入口见 indra_ocr/cli.py）。

5. 角度、方向全兜底

• 倾斜最多 45° 的页面自动扶正（page.skew），旋转 90°/180° 的页面自动转正（page.rotation，方向模型见pipeline.py中的orient.onnx逻辑）；
• 支持中/日文竖排页面（page.vertical）；
• 深色背景浅色文字（PPT、深色表头）也能读。

上图是它对双栏学术页的识别效果：彩色框是带标签的版式块（Text、Section-Header、Page-Header…），淡蓝框是文本行，全部由 JSON 输出绘制，未经人工编辑。更多真实示例见 EXAMPLES.md。

四、实战：一张斜了 30 度的扫描件

倾斜文档是传统 OCR 的重灾区。下面这页被旋转了 30°：Indra OCR 检测到倾斜（skew: -30.0），先扶正再识别，输出与正向页面一致，坐标还会映射回原页面位置：

五、诚实清单：Indra OCR 不擅长什么

它主打“干净印刷体 + 极速”，以下场景请谨慎（或考虑 Datalab 的 Chandra 平台）：

• 复杂表格：合并单元格、跨行跨列、无线表格可能错行错列；简单网格表格没问题；
• 手写体：能读但一般（OmniParseBench 手写测试 25.2%），草书和淡铅笔字迹最差；
• 严重退化的扫描件：老旧褪色低分辨率扫描得分仅 29.5%；
• 列表外的文字系统：叙利亚文、藏文、蒙文等只能靠 PDF 文本层；
• 多音变符号的拉丁语言：捷克语、冰岛语等偶尔会写错相近的变音符号。

代码为 Apache 2.0 协议，模型权重采用修改版 OpenRAIL-M 协议（研究与个人使用免费），详见 LICENSE。

六、写在最后

Indra OCR 证明了 OCR 赛道的另一条路线：不追 1B 参数规模，用“小模型 + 分治 + 工程并行”把 CPU 的性价比打满。如果你的场景是海量文档数字化、PDF 转 Markdown、RAG 数据清洗，它几乎是零 GPU 成本的首选；而复杂表格和高精度手写识别，才需要交给更大的模型。

核心源码速查：

• 流水线总控（检测/识别/阅读顺序）：indra_ocr/pipeline.py
• 全核心并行 worker 池：indra_ocr/parallel.py
• 命令行入口：indra_ocr/cli.py
• 本地 Web 查看器（indra-ocr-viewer）：indra_ocr/viewer.py
• 版本演进：CHANGELOG.md