docTRで書類を読み解き検索可能に

このチュートリアルでは、docTR を使用してエンドツーエンドの OCR ワークフローを開発し、現代のドキュメント理解パイプラインがテキスト検出、認識、ジオメトリ、レイアウト解析、構造化抽出、およびエクスポートをどのように組み合わせているかを探ります。私たちは、リアルな合成請求書ドキュメントを生成し、DocumentFile を介して画像と PDF を読み込み、GPU 対応の OCR 予測器を構築し、速度と精度について異なる検出-認識アーキテクチャの組み合わせをベンチマークします。次に、内部の Document 階層を検査し、信頼度を考慮したバウンディングボックスを視覚化し、スタンドアロンの検出モデルと認識モデルを使用し、信頼度の低い単語に対して二段階認識を実装し、検出閾値を調整し、ボックスフィルタリングとパディングのためのカスタムパイプラインフックを導入します。また、回転した文書や傾いた文書を処理し、レイアウト検出と KIE を試行し、読み取り順序と表形式情報を再構築し、構造化された請求書フィールドを抽出し、結果をテキスト、JSON、hOCR、合成された文書画像、および検索可能な PDF としてエクスポートします。最後に、基本的な OCR の例から本番環境向けのドキュメントインテリジェンスパイプラインに移行する方法を理解するために、実用的なパフォーマンス、fine-tuning、バッチ処理、およびデプロイメントに関する考慮事項を検討します。Copy Code Copied Use a different Browser import os, sys, io, json, time, math, re, subprocess, warnings from collections import Counter, defaultdict warnings.filterwarnings("ignore") os.environ.setdefault("USE_TORCH", "1") def _pip(*pkgs): subprocess.run([sys.executable, "-m", "pip", "install", "-q", *pkgs], check=False) try: import doctr except ImportError: print(">> Installing python-doctr (this takes ~1-2 min on Colab)...") _pip("python-doctr[viz]") try: import reportlab except ImportError: _pip("reportlab") import numpy as np import torch import matplotlib import matplotlib.pyplot as plt from matplotlib import font_manager from matplotlib.patches import Rectangle, Polygon as MplPolygon from PIL import Image, ImageDraw, ImageFont import doctr from doctr.io import DocumentFile fro