alleninstituteforai/olmocr

概述

olmOCR Docker镜像包含olmOCR工具包，提供文档处理、OCR任务及文本识别的完整环境，所有依赖已预装。该工具主要用于将PDF和其他基于图像的文档格式转换为干净、可读的纯文本格式，支持多种复杂内容识别与格式保留。

在线演示：[***]

核心功能与特性

工具核心功能

• 将PDF、PNG、JPEG等基于图像的文档转换为干净的Markdown
• 支持公式、表格、手写内容及复杂格式识别
• 自动移除页眉和页脚
• 即使存在图表、多列布局和插图，仍能保持自然阅读顺序的文本转换
• 高效经济，每百万页转换成本低于200***
• 基于7B参数的视觉语言模型（VLM），需GPU支持

镜像特性

• 基于NVIDIA CUDA 11.8.0构建，支持cuDNN
• 内置Python 3.11环境，提供完整GPU加速
• 预装关键依赖：
  • gpu：支持GPU加速处理
  • bench：用于基准测试的开发工具

使用场景

适用于需要将扫描版PDF、图像文档（如PNG、JPEG）转换为可编辑文本的场景，特别适合学术论文处理、文档数字化、数据提取等需保留公式、表格结构及复杂格式的任务。

使用方法

拉取镜像

bash
docker pull alleninstituteforai/olmocr:latest

带GPU支持运行

bash
docker run --gpus all -it alleninstituteforai/olmocr:latest

挂载本地目录

将本地数据目录挂载到容器中，便于处理本地文档：

bash
docker run --gpus all -v /path/to/your/data:/data -it alleninstituteforai/olmocr:latest

运行特定命令

在容器内执行特定的olmOCR模块命令：

bash
docker run --gpus all -it alleninstituteforai/olmocr:latest python -m olmocr.any_module

包信息

该镜像包含olmOCR工具包，需Python 3.11或更高版本，集成了文档处理、PDF解析、图像操作及机器学习任务所需的全部依赖。

源代码

olmOCR源代码托管于GitHub：https://github.com/allenai/olmocr

许可证

Apache License 2.0