日本語に特化したOCR、文書画像解析Pythonパッケージ「YomiToku」を公開しました｜Kotaro.Kinoshita

はじめに最近、LLMへのRAGを用いた文書データの連携等を目的に海外を中心にOCRや文書画像解析技術に関連する新しいサービスが活発にリリースされています。 しかし、その多くは日本語をメインターゲットに開発されているわけではありません。日本語文書は、英数字に加えて、ひらがな、漢字、記号など数千種類の文字を識別する必要があったり、縦書きなど日本語ドキュメント特有のレイアウトに対処する必要があったりと日本語特有の難しさがあります。 ですが、今後、海外の開発者がこれらの課題に対処するため、日本のドキュメント画像解析に特化したものをリリースする可能性は低く、やはり自国の言語向けのサービスは自国のエンジニアが開発すべきだと筆者は考えています。 もちろん、Azure Document Intelligenceをはじめとした、クラウドサービスのドキュメント解析サービスはありますが、クラウドを利用できないユ

[ublftbo]

たいへん興味深い。使ってみよう。/ 使ってみた。自分の使う（ごちゃごちゃして厄介な）文書対象だと、他のOCRより圧倒的に優秀。すごい。

[ydf]

レイアウト解析、表解析、読み順推定がスゴイかも。OCRは活字対応で手書きは非対応と思われる。

[bonita_bonita]

視覚障害者やそのサポート事業者にとっては朗報なのでは

[CffnAddict]

tesseractとかOCRめんどくさいイメージしかないんだよな〜って一応見てみたら、ただの神が神ツールを公開したという話だった

[asakatana]

ローカルで動くのはいいな

[ihirokyx]

ドキュメント解析結果の連携 PDFなどの表のデータからのデータの転記作業の効率化 その他、文書画像からの情報抽出を伴う、作業の半自動化 機密情報が記載された文書画像のローカルサーバー内での解析

[hunglysheep1]

表の構造をHTMLで再現するの凄いな

[yuumillar]

kindle本のocr→テキスト化に使ってみたい

[xjack]

PyTorchとOpenCVを使ってるのね．Hugging Faceからウェイトファイルが自動ダウンロードされる感じ．

[hevohevo]

ローカルで動く＆個人用途無料は大きいな。視覚・聴覚障害者向けの支援にも使えそう。ありがたや。

[ite]

良さそう

[myr]

すごいというか「へー。。。」を連発しながら読んでた。。色々なものが並行して進化するなぁ

[nekotank]

日本語特化OCR、すばらしい！個人の検証利用は無料。商用は別途ライセンス必要

[IGA-OS]

日本語OCR良いな。良い評価が上がっている様子

[rizenback000]

ついにきたか。使ってみよ。

[stabucky]

実際に第三者で試した人いないの？

[otihateten3510]

何者だよ

[chago]

えー、みてみよ

[gmym]

作者のTwitterアカウント見に行ったけど開発開始が10月上旬…？マジで？

[cpw]

これはすごい。使ってみよう。試してみた。エグい。表も起こしてくれるし、画像もちゃんと切り取ってくれる。すごすぎる

[kazuhix]

政府自治体等のOCR文書のいたるところに散らばってる×選拳○選挙の誤変換を直せるツールがついにできた…のか？

[naoto_moroboshi]

神やんけ、マジで

[Galaxy42]

ほほう

[tambox]

“Python”

[shimasoba]

透明テキスト付きのPDFに変換できないかなぁ。

[phyten_obr]

凄すぎる

[Mabuo_H]

これ例見てるだけでもかなりすごそうだな。。。

[moonzkk101]

精度の高い文書画像解析は、視覚障害があって音声読み上げを利用している人にも必要な技術。期待したい。

[andvert]

中華の鉄人かと思いました

[bayaread]

LLM全盛期のいま、こういう地道な方向で研究活動されてるのには本当に頭が下がる思いだ。すばらしい活動をありがとうございます！

[OkadaHiroshi]

Google Colab Pro (T4 GPU) で十分動作しました。

[hiroomi]

何と連携させるかの整備もしておくとよい感じかな。と、今思った。

[cartman0]

google lensより高性能なんだろうか

[call_me_nots]

次に残念な表を見たら使ってみる！

[spark7]

OCRはとにかく推定の技術だしな…

[circled]

日本語、縦書きと横書きが混ざるから辛いんだよね。なお、少し昔の文（江戸、明治）になると横書きも右から左に書き出す場合が発生し出すから死ぬ。古い資料とか辛い

[kusomamma]

うーん、結局はCUDAでGPUに働いてもらう必要があるとなると、無理にローカルで使えるを目指す必要なくね？と思ってしまう。

[fashi]

どこかの誰かがちまちま精度上げる研究してるだろう分野をLLMが革新していく様を眺めている

[misshiki]

“YomiTokuはPDFやカメラで撮影された文書画像を解析するためのPythonパッケージです。”

[yoshi-na]

構造解析とその出力（しかも複数方法）まで備えててエグい