# indra-cpu-ocr-project

**Repository Path**: aylerh/indra-cpu-ocr-project

## Basic Information

- **Project Name**: indra-cpu-ocr-project
- **Description**: cpu上快速ocr：（1）pdf2md;（2）image2md;处理速度：0.3秒/每页；缺点：- latex公式支持不好；- 复杂表格识别效果差；
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-10-20
- **Last Updated**: 2026-10-21

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 概览

**Indra CPU OCR** 是一套专为纯 CPU 环境量身打造的轻量级、高吞吐端到端文档排版与 OCR 识别解析系统。基于 Datalab Indra 轻量网络与 ONNXRuntime 高性能推理技术，系统支持将多页 PDF 及常见图像文件快速转换为结构化 Markdown 文档，支持处理流程动态实时中断，并支持将提取的图文资产以相对路径结构自动打包为 ZIP 归档，完美兼容各类 Markdown 阅读器与知识库摄取。

## 信息
镜像大小：800M；

## 性能
处理速度：0.3秒/每页；

## 缺点
- latex公式支持不好；
- 复杂表格识别效果差：如err-files\DocLayout-YOLO-布局识别-法兰垫片.md；

## 页面样式

### 主页

![1](./images/1.png)

## 构建与运行

### 1. 基础配置
在项目根目录中的 [.env](file:///.env) 文件已预置标准端口与宿主机挂载目录：
```dotenv
INNER_PORT=8672
OUTER_PORT=8672
DATA_DIR=H:/docker-data/indra-cpu-ocr-project-data/data
MODELS_DIR=H:/docker-data/x1-project-data/models
MODELSCOPE_MODEL_ID=datalab-to/indra-ocr
OCR_THREADS=4
OCR_DPI=150
```

### 2. 启动服务 (Windows PowerShell)
在 Windows PowerShell 终端中执行一键构建并启动容器：
```powershell
docker compose up --build -d
```

### 3. 构建基础镜像 (可选)
如需单独构建底层依赖基础镜像：
```powershell
docker compose -f docker-compose-base.yml build
```

服务启动后，访问浏览器：`http://localhost:8672` 即可使用。

## 解决痛点与使用技术

| 核心痛点 | 对应使用技术 | 解决方案与价值 |
| :--- | :--- | :--- |
| **重型显存依赖** | **Indra OCR + ONNXRuntime** | 传统 OCR 模型体积庞大且重度依赖英伟达显卡，本项目利用参数量仅约 1M 的紧凑模型配合 ONNXRuntime CPU 指令集优化，无需独立显卡即可在普通 CPU 上实现毫秒级每页识别。 |
| **长文档阻塞与算力浪费** | **FastAPI 异步线程 + 状态机** | PDF 多页处理耗时较长，若用户误传或发现格式不对往往只能等待或强杀进程。系统引入可中断的任务状态机，支持用户一键终止后续页推理并安全导出已完成部分。 |
| **导出格式图片脱节** | **pypdfium2 + Python ZipFile** | 许多 OCR 工具导出的 Markdown 丢失原始图像或采用临时网络路径。系统自动渲染归档页面切片至 `images/` 子文件夹，并在导出的 ZIP 压缩包内完整保留相对引用。 |
| **模型国内下载网络受阻** | **ModelScope SDK** | 解决海外权重源拉取失败或极慢的问题，支持优先从 ModelScope 镜像极速拉取并本地挂载持久化。 |

## 致谢

- [indra](https://github.com/datalab-to/indra)：轻量高效CPU文档OCR库
- [FastAPI](https://fastapi.tiangolo.com/)：高性能现代Python接口框架
- [ModelScope](https://www.modelscope.cn/)：开源模型与权重托管社区
- [pypdfium2](https://github.com/pypdfium2-team/pypdfium2)：轻量快速PDF光栅化工具
- [ONNXRuntime](https://onnxruntime.ai/)：高性能跨平台模型推理引擎