# 高精度OCR

PaddleOCRチームが開発した超軽量級の英文テキスト行認識モデルで、英文と数字文字の認識をサポートします。

SLANeXt_wiredは表構造認識に使用されるディープラーニングモデルで、編集できない表画像を編集可能な表形式（HTMLなど）に変換することができます。

PP-OCRv5_server_detはPaddleOCRチームが開発した最新世代のテキスト検出モデルで、高性能なアプリケーションシーン向けに設計されており、手書き、縦書き、回転、湾曲したテキストを含む様々なシーンのテキストを検出でき、複数の言語を認識できます。

Llama-3.1-Nemotron-Nano-VL-8B-V1は、高度な文書インテリジェントビジュアル言語モデルで、画像や動画のクエリと要約が可能で、複数の環境にデプロイできます。

olmOCR-7B-0225-previewをファインチューニングしたバージョンで、文書内の全ての情報（ヘッダー・フッター内容を含む）を完全に抽出することに特化しています。

Qwen2.5-VL-32B-InstructはQwenファミリーの最新の視覚言語モデルで、強力な視覚理解とインテリジェントエージェント能力を備え、マルチモーダルタスク処理をサポートします。

Qwen2.5-VL-32B-Instruct は Qwen ファミリーの最新の視覚言語モデルで、強力なマルチモーダル理解と生成能力を備え、画像、動画、テキストのインタラクションをサポートします。

Sapnous-6Bは先進的な視覚言語モデルで、強力なマルチモーダル能力により世界の知覚と理解を向上させます。

Aya Vision 32BはCohereラボが開発したオープンウェイト32Bパラメータのマルチモーダルモデルで、23言語の視覚言語タスクをサポートします。

Qwen2.5-VLは通義千問チームが開発したマルチモーダル大規模言語モデルで、強力な視覚理解とインテリジェントエージェント能力を備え、画像、動画、テキストなど様々な入力形式をサポートします。

Typhoon2-Visionはタイ語をサポートする視覚言語モデルで、画像や動画の入力を処理でき、特に画像ベースのアプリケーション向けに最適化されています。

PaliGemma 2はGoogleが開発したアップグレード版の視覚言語モデルで、Gemma 2の能力を組み合わせ、画像とテキストの入力に対応し、テキスト出力を生成します。様々な視覚言語タスクに適しています。

TF-IDは学術論文から表や図表およびそのキャプションを抽出するための物体検出モデルシリーズです。

TF-IDは学術論文中の表や図表を抽出するために特別に設計された視覚的物体検出モデルで、Florence-2をファインチューニングして作成されました

Pix2Textの数式認識(MFR)モデルで、TrOCRアーキテクチャに基づいて訓練され、数式画像をLaTeXテキスト表現に変換します。

Pix2Textの数式検出(MFD)モデル、画像中の数式を認識する

SparrowはDonut MLベースモデルを請求書データで微調整した文書データ抽出モデルで、Donutの企業文書における性能検証を目的としています。

SparrowはDonut MLベースモデルを請求書データで微調整した文書データ抽出ツールで、企業文書におけるDonutの性能検証を目的としています。

このモデルはApache-2.0ライセンスに基づく画像からテキストへの変換モデルで、画像の内容をテキスト記述に変換できます。

金融分野に特化した画像からテキストへの変換モデルで、英文テキスト認識をサポートし、主に金融文書の画像内容を処理します。

microsoft/layoutlmv3-baseをファインチューニングしたドキュメント理解モデルで、ドキュメントレイアウト分析タスクに優れています

MiniCPM-V 2.0は効率的なエンドサイド展開に向けた強力なマルチモーダル大規模言語モデルで、SigLip-400MとMiniCPM-2.4Bを基盤に構築され、知覚器リサンプラーで接続されています。

画像からナンバープレート番号を抽出できる車両ナンバープレート認識用の視覚モデルです。

MoAIは大規模な言語と視覚の混合モデルで、画像とテキスト入力を処理し、テキスト出力を生成できます。

Pix2Textの数式認識(MFR)モデルで、TrOCRアーキテクチャで訓練されており、数式画像をLaTeXテキスト表現に変換できます。

microsoft/trocr-base-printedをファインチューニングしたOCRモデルで、ナンバープレートとタイムスタンプ情報の認識に特化

Nougat-smallをファインチューニングした数式認識モデルで、画像からLaTeX数式コードを抽出するのに優れています

CORD-v2は、画像からテキストを抽出・認識するタスク向けのモデルで、主に画像からテキストコンテンツを抽出するために使用されます。

これはDonutアーキテクチャに基づく視覚言語モデルで、CORD-V2データセットに対して特別にファインチューニングされており、文書画像からテキストへの変換タスクに使用されます。

このモデルは旧式です。公式のNougatモデルの使用を推奨します。Nougatは、ドキュメント理解と分析に特化した先進的な視覚言語モデルです。

e13b MICRコードの転写に特化したOCRモデルで、MicrosoftのTrOCR-large-stage1をファインチューニングしたものです。

これはMITライセンスに基づく画像からテキストへの変換モデルで、画像の内容を記述的なテキストに変換できます。

これはApache-2.0ライセンスに基づく画像からテキストへの変換モデルで、画像の内容をテキスト記述に変換できます。

naver-clova-ix/donut-baseをファインチューニングしたモデル、具体的な用途と機能は追加情報が必要

LayoutLMv3アーキテクチャをファインチューニングしたドキュメントレイアウト分析モデルで、DocLayNetデータセット内のドキュメント要素分類タスク専用に設計されています。

SparrowはDonut ML基本モデルを請求書データで微調整した文書データ抽出モデルで、企業文書におけるDonutの性能検証を目的としています。

これはMITライセンスに基づく画像テキスト変換モデルで、画像の内容をテキスト説明に変換できます。

これはCORD-v2データセットでファインチューニングされたDonutモデルで、画像からテキストへの変換タスク向けに設計されており、平均精度は0.901です。

microsoft/layoutlmv3-baseをnielsr/funsd-layoutlmv3データセットでファインチューニングしたドキュメント理解モデル

MGP-STRは純粋なビジュアルシーンテキスト認識モデルで、マルチグレイン予測により効率的なOCRを実現します。