Nanonets-OCR-s是什么？

Nanonets-OCR-s，能把圖片里的表格轉換成Markdown格式，而且還能識別 LaTeX 語法。它還能找到圖片的位置，轉換成 <img> 標簽。簽名會被轉換成 <signature> 標簽，復選框之類的符號會用顏文字表示。它還能處理合并單元格的表格，并輸出為 HTML 格式。這個模型大小是 3.75B，是基于 Qwen2.5-VL-3B-Instruct 微調的，所以中文支持得很好。

功能亮點

• 表格轉換：可以精準提取復雜表格，并將其轉換為清晰的 Markdown 和 HTML 格式。

• 公式識別：能夠將文檔中的數學公式準確轉換為 LaTeX 語法，無論是內聯公式還是獨立公式都能輕松應對。

• 圖像處理：自動識別文檔中的圖片，并用 <img> 標簽進行描述，方便后續處理。

• 簽名與水印提取：可以檢測到文檔中的簽名和水印，并分別用 <signature> 和 <watermark> 標簽標記出來。

• 復選框處理：將文檔中的復選框和單選按鈕轉換為標準的 Unicode 符號，方便閱讀和編輯。

使用方式

通過 Python 庫：

• 安裝必要的庫（如 transformers 等）。

• 加載預訓練模型，然后處理圖像并提取內容。

通過服務器接口：

• 啟動服務器，通過 Python 和相關客戶端發送請求，獲取轉換結果。

通過簡化工具：

• 使用 docext 等工具，一鍵啟動應用，簡化操作流程。

適用場景

• 學術研究：快速將論文中的公式、圖表和表格轉換為可編輯的 Markdown 格式，方便整理和進一步研究。

• 商業辦公：處理合同、報表等文件，提取關鍵信息并保持格式一致，提高工作效率。

• 法律領域：識別和隔離簽名、水印等重要元素，確保文檔的完整性和準確性。

優勢

• 功能強大：能識別多種文檔元素，滿足不同場景的需求。

• 智能高效：通過智能識別和語義標記，讓輸出內容更易于處理。

• 輕量便捷：模型大小適中，基于現有技術優化，支持中文。

項目地址

https://huggingface.co/nanonets/Nanonets-OCR-s