indra-ocr

indra-ocr

能在 CPU 上运行的小型 OCR 模型，把 PDF 和图片转成 markdown、文本，或带框的 JSON。能读手写和 80 多种语言。适合开发者和数据团队。

由 datalab-to 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：indra-ocr 是 Datalab 出的一个紧凑的 OCR 模型，按 Hugging Face 的统计约有 130 万参数。它通过 ONNX Runtime 在普通 CPU 上运行，不需要 PyTorch，也不需要 GPU。

它把 PDF 和图片转成 markdown、纯文本，或带框的 JSON。卡片说它能读手写、80 多种语言，以及横着、倒着或倾斜的页面。

适合谁：适合需要在普通硬件上从扫描件和文档里提取文字的开发者和数据团队，也适合想在文字之外拿到版面框的人。

Industry | Who uses it | How they use it | Example
文档处理 | 数据工程师 | 把成批的 PDF 转成 markdown | 把一个文件夹的报告变成文本文件
软件 | 开发应用的开发者 | 在流水线里调用命令行工具 | 从一张扫描件得到带框和版面标签的 JSON
档案与记录 | 档案员和办公团队 | 读扫描的信件和表格 | 从一页手写稿里提取文字

如果你需要手写、数学公式或杂乱表格上的最佳准确度，可以跳过它。卡片把这些任务交给制作方的托管平台。

用在哪里：

• 命令行，在安装好 Python 包之后
• Python 程序和文档处理流水线
• 随包附带的本地查看器
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

Use case | Who | What they get back
扫描文档 | 办公团队 | 每一页的 markdown
版面处理 | 开发者 | 为行和块给出位置框、类型标签和阅读次序
数字 PDF | 数据团队 | 读出任何文字体系的文字层，只对缺文字的地方做 OCR

如何设置：

• Python 和 pip
• 一块普通 CPU，因为不需要 GPU
• 约 76 MB 的模型，首次运行时下载

1. 安装这个包。
2. 对一个 PDF 或图片运行命令。
3. 加上选项来选择输出格式或输出文件夹。

pip install indra-ocr

indra-ocr paper.pdf
indra-ocr *.pdf --out results/
indra-ocr scan.png --format json
indra-ocr-viewer

如何使用：给命令一个文件，它就打印 markdown。用 out 选项给每个输入写一个 markdown 文件，用 format 选项得到带行、框、版面块和置信度的 JSON。

Command | What it does
indra-ocr paper.pdf | 打印文档的 markdown
indra-ocr *.pdf --out results/ | 每个输入写一个 markdown 文件，用上所有核心
indra-ocr scan.png --format json | 返回行、框、版面块和置信度
indra-ocr-viewer | 在你自己的机器上打开一个查看器

示例：你对一封扫描的信运行这个工具。它找出每一行，用对应文字体系的识别器读出来，给你 markdown，要求的话就给 JSON。

新手与专家：如果你刚接触 OCR，先对一页清晰的文档运行工具，读一读 markdown。再试一页倾斜或手写的页面，看它在哪里吃力。

如果你熟悉这个领域，制作方报告了 CPU 上的速度数字，手写得分也低于他们的托管模型。他们的手写测试结果是 25.2%，所以请用你自己的页面核对。

安装这个包
对 PDF 或图片运行
找出行和版面块
按各自的文字体系读出每一行
输出 markdown、文本或 JSON

注意事项：

• 下面的分数是制作方自己在他们的基准上测的
• 制作方报告说，用 32 个 CPU 核心时每秒约 44 页，用 4 个核心时每页约 210 毫秒
• Hugging Face 列出了别人做的 7 个量化版本和 2 个微调版本

Title: 制作方基准上的文本得分
Indra OCR: 46.7 分
PaddleOCR PP-OCR: 35.8 分
Tesseract: 19.3 分

• License: 代码是 Apache 2.0，权重用修改过的 OpenRAIL-M 许可，商用前请先读一读
• Cost to run: 本地工具没有提到
• Data it reaches: 你下载的文件，以及你扫描的文档
• Not for: 手写、数学公式和劣质扫描件上的最高准确度

Hugging Face 上的数据（2026年11月13日）

• 任务：image to text
• 框架：onnx
• 参数量：1.3M
• Weights: about 5 MB in F32; about 1 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：8,624
• 点赞：529
• 许可证：openrail
• 语言：en, fr, de, es, it, pt, nl, pl
• Quantized versions: 7
• Fine-tunes: 2
• 标签：onnx, safetensors, indra-ocr, markdown, layout, document-parsing, handwriting, multilingual, image-to-text

链接

• 模型：https://huggingface.co/datalab-to/indra-ocr
• 文件：https://huggingface.co/datalab-to/indra-ocr/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download datalab-to/indra-ocr

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。