Un tutorial pubblicato da MarkTechPost descrive come costruire un flusso di lavoro completo per l'esecuzione del modello Unlimited-OCR di Baidu su immagini di documenti e PDF multipagina. La pipeline è progettata per Google Colab e copre la configurazione dell'ambiente, l'installazione delle dipendenze, il caricamento del modello, la generazione di documenti di esempio, l'OCR a pagina singola e l'analisi di PDF multipagina. Unlimited-OCR fa parte di un trend più ampio verso i modelli vision-language che gestiscono la comprensione dei documenti in un unico sistema end-to-end, riducendo la necessità delle pipeline multi-stadio — rilevamento del testo, riconoscimento e analisi del layout — utilizzate dai motori OCR tradizionali.

Il flusso di lavoro inizia configurando un runtime abilitato alla GPU e installando le librerie necessarie per l'inferenza di Unlimited-OCR. Verifica la disponibilità di una GPU con supporto CUDA, quindi seleziona automaticamente bfloat16 o float16 in base al supporto hardware. Il tutorial carica il tokenizer e il modello vision-language da 3 miliardi di parametri da Hugging Face, passa il modello in modalità di valutazione e lo sposta sulla GPU per l'inferenza. L'hosting del modello su Hugging Face consente agli sviluppatori di caricare direttamente i pesi pre-addestrati, eliminando la necessità di addestrare o affinare un modello di riconoscimento documentale da zero.

Per creare input di test riproducibili, il tutorial imposta le directory di input e output necessarie e genera tre pagine di documenti di esempio realistici con PIL. Queste pagine includono intestazioni, paragrafi, tabelle e note a piè di pagina, consentendo alla pipeline di testare il riconoscimento su contenuti strutturati e ricchi di layout anziché solo su semplici blocchi di testo. La prima pagina generata viene visualizzata in anteprima con Matplotlib prima di essere passata al flusso di lavoro OCR.

Per l'OCR a immagine singola, il tutorial utilizza innanzitutto la modalità Gundam, che combina una visione globale del documento con ritagli a tessere delle immagini. In questa configurazione, crop_mode viene abilitato e viene utilizzata una dimensione di tessera più piccola per preservare il testo fine e migliorare il riconoscimento su layout densi. Il flusso di lavoro applica inoltre impostazioni di generazione con output esteso e controlli di ripetizione affinché il modello produca output strutturato e stabile durante l'elaborazione di documenti complessi.

Lo stesso documento viene quindi elaborato con la modalità Base, che utilizza una singola vista dell'immagine a 1024 pixel. Il ritaglio dell'immagine viene disabilitato in questa modalità per ridurre la complessità di inferenza e migliorare la velocità di elaborazione su pagine pulite e chiaramente stampate. Il tutorial mantiene le stesse impostazioni di lunghezza dell'output e di controllo delle ripetizioni affinché la modalità Base possa essere confrontata direttamente con la modalità Gundam con parametri di generazione consistenti.

La pipeline viene quindi estesa dall'OCR di immagini all'analisi di PDF multipagina. Il tutorial crea un PDF di tre pagine dalle immagini dei documenti generate e utilizza PyMuPDF per rasterizzare ogni pagina in un PNG ad alta risoluzione. La sequenza di immagini di pagina risultante viene passata a infer_multi(), consentendo al modello di analizzare l'intero documento in un'unica operazione di inferenza a lungo raggio. La finestra di ripetizione n-gram viene ampliata per supportare una decodifica stabile attraverso più pagine.

Dopo aver eseguito sia l'inferenza a pagina singola che quella multipagina, il tutorial ispeziona le directory di output prodotte dal flusso di lavoro. Elenca ogni file generato e visualizza le anteprime dei formati supportati: testo, Markdown, MMD e JSON. Include inoltre un riferimento conciso per la selezione delle modalità di inferenza, raccomandando diverse configurazioni per immagini dense, pagine pulite e PDF multipagina. La capacità di esportare i risultati in molteplici formati strutturati — Markdown per la documentazione, JSON per l'uso programmatico a valle e MMD per il rendering di diagrammi — rende la pipeline adattabile a diverse esigenze di elaborazione documentale.

Il flusso di lavoro completato dimostra come Unlimited-OCR possa essere utilizzato in Google Colab per documenti a pagina singola ad alto dettaglio e PDF multipagina più lunghi. Confronta le modalità di inferenza Gundam e Base, converte i PDF in immagini di pagina pronte per il modello, esegue l'analisi documentale a lungo raggio ed esamina il testo, il Markdown e gli artifact ausiliari generati dalle cartelle di output. La configurazione si adatta inoltre alle diverse capacità della GPU preservando i parametri di generazione necessari per una decodifica stabile dei documenti lunghi.

MarkTechPost ha dichiarato che il flusso di lavoro fornisce una base riutilizzabile per l'applicazione di Unlimited-OCR a report, moduli scansionati, documenti tecnici, tabelle e altri contenuti ricchi di layout senza affidarsi a uno stack separato di OCR tradizionale e analisi del layout. Il codice completo del tutorial è disponibile su GitHub.