LLM 輔助 OCR 項目是一個先進的系統(tǒng)，旨在顯著提高光學(xué)字符識別 (OCR) 輸出的質(zhì)量。通過利用尖端的自然語言處理技術(shù)和大型語言模型 (LLM)，將原始 OCR 文本轉(zhuǎn)換為高度準確、格式良好且可讀的文檔成為可能。本篇文章將介紹一款在github上擁有1.7k star的開源實現(xiàn)工具LLM-Aided OCR。

特征

本項目支持以下功能：

• PDF 到圖像轉(zhuǎn)換
• 使用 Tesseract 進行 OCR
• 使用 LLM（本地或基于 API）進行高級錯誤更正
• 智能文本分塊，高效處理
• Markdown 格式選項
• 抑制頁眉和頁碼（可選）
• 最終輸出的質(zhì)量評估
• 支持本地 LLM和基于云的 API 提供商（OpenAI、Anthropic）
• 異步處理以提高性能
• 用于流程跟蹤和調(diào)試的詳細日志記錄
• 用于本地 LLM 推理的 GPU 加速

工作原理

LLM 輔助 OCR 項目采用多步驟流程將原始 OCR 輸出轉(zhuǎn)換為高質(zhì)量、可讀的文本：

1. PDF 轉(zhuǎn)換：使用將輸入的 PDF 轉(zhuǎn)換為圖像??pdf2image??。
2. OCR：應(yīng)用 Tesseract OCR 從圖像中提取文本。
3. 文本分塊：將原始 OCR 輸出分成可管理的塊進行處理。
4. 錯誤更正：每個塊都經(jīng)過基于 LLM 的處理，以糾正 OCR 錯誤并提高可讀性。
5. Markdown 格式（可選）：將更正后的文本重新格式化為干凈、一致的 Markdown。
6. 質(zhì)量評估：基于 LLM 的評估將最終輸出質(zhì)量與原始 OCR 文本進行比較。

代碼優(yōu)化

• 并發(fā)處理：使用基于 API 的模型時，會并發(fā)處理塊以提高速度。
• 上下文保存：每個塊與前一個塊有小的重疊，以維持上下文。
• 自適應(yīng)token管理：系統(tǒng)根據(jù)輸入大小和模型約束動態(tài)調(diào)整用于 LLM 請求的token數(shù)量。

效果展示

原始文檔

OCR識別結(jié)果

LLM 校正的 Markdown 輸出

項目地址：

https://github.com/Dicklesworthstone/llm_aided_ocr

相比傳統(tǒng)的處理流程，需要使用大量的時間進行格式校對、格式調(diào)整；用了該工作后，直接一步到位了，輕松很多。代碼全開源，跑起來吧。

本文轉(zhuǎn)載自公眾號哎呀AIYA

原文鏈接：??https://mp.weixin.qq.com/s/PzwUBn_scPE20Ap9nQuVLA??