OCR4all - l’OCR pour tous

• Entièrement gratuit et open source. Aucun abonnement, aucune fonctionnalité payante, aucun code caché
• S’applique avec flexibilité, du traitement de haute qualité de manuscrits complexes à la reconnaissance intégrale de texte à grande échelle pour des imprimés
• Prise en charge puissante de l’annotation de mise en page et de texte
  • Utilisez l’éditeur LAREX pour annoter manuellement, corriger ou comparer la mise en page et les éléments textuels
• Entièrement compatible avec l’écosystème OCR-D
• Conçu en pensant à l’utilisabilité : permet de créer via l’UI des workflows OCR complexes sans utiliser de code ni de CLI
• Développement cross-platform facile : exécutable avec Docker et une seule commande, quel que soit l’OS

[GN⁺]

Avis Hacker News

• Les pipelines de segmentation complexes étaient nécessaires il y a quelques années, mais ils génèrent désormais beaucoup d’erreurs et privent les modèles d’un contexte important. Pour passer au manuscrit, le contexte est indispensable

  • Pour déchiffrer des manuscrits historiques, les spécialistes diront qu’il faut le document entier
  • Il faut aller jusqu’à la reconnaissance de texte, pas seulement la reconnaissance de caractères
  • Évaluer les modèles avec le CER n’est pas une bonne approche
  • La reconnaissance de texte est en train de répéter les erreurs de la traduction automatique d’il y a 15 ans

• OCR4all est un logiciel destiné à la récupération et à la reconnaissance de texte numérique pour les imprimés du début de l’époque moderne

  • Les types d’impression complexes et les mises en page irrégulières mettent à l’épreuve les capacités des logiciels classiques de reconnaissance de texte
  • Cela semble être construit sur Calamari-OCR

• OCR4all répond de manière claire et intuitive aux besoins des utilisateurs non techniques

  • Il y a des instructions disant d’ouvrir un terminal sous Linux et de saisir des commandes
  • On peut se demander en quoi cela aide les utilisateurs non techniques

• Le Vision Framework d’Apple fournit une bibliothèque de reconnaissance de texte plus rapide et plus précise que Tesseract

  • Il peut traiter presque tous les formats d’image
  • Un outil CLI simple et un wrapper Python ont été créés

• Combiner Tesseract et des LLM pour corriger les erreurs et améliorer la mise en forme constitue actuellement le meilleur compromis en matière de vitesse, d’efficacité et de précision

  • Il est possible de modifier le texte de prompt en anglais pour prioriser certains aspects propres au document d’entrée

• Une API OCR assistée par IA a été développée

  • Elle combine Tesseract et Poppler-utils pour extraire intelligemment les segments de document
  • Elle peut être facilement étendue à plusieurs modèles de Vision LLM
  • Elle expose une API complète d’agent IA sous forme de conteneur Dockerisé

• Ce workflow sert à numériser des documents imprimés historiques

  • Il s’agit notamment de préserver d’anciennes annonces en caractères blackletter

• OCR4all combine diverses solutions open source pour fournir un workflow de reconnaissance automatique de texte

  • Cela semble reposer sur OCR-D, lui-même fondé sur Tesseract, Kraken, DUP-ocropy et Calamari-OCR
  • Cela ressemble à une alternative open source à Transkribus
  • eScriptorium est aussi une autre alternative

• On se demande s’il s’agit d’un nouveau moteur OCR SOTA ou d’un outil qui utilise d’autres moteurs déjà connus

  • Il serait préférable que la landing page soit plus claire

• On pensait que l’OCR était en grande partie résolu avec Tesseract, mais quelqu’un cherche une bibliothèque ou une implémentation pour la compression MRC des PDF résultants

  • Les produits commerciaux coûtent cher, et séparer, compresser puis recombiner les couches d’image reste un problème difficile