如何使用百度的Unlimited-OCR构建高分辨率图像和多页PDF的端到端OCR流水线

本教程详细介绍了如何利用百度的Unlimited-OCR模型构建一个完整的端到端OCR流水线，适用于高分辨率文档图像和多页PDF的解析。整个过程在Google Colab环境中完成，无需依赖传统的OCR和布局分析工具。首先，配置GPU环境并安装所需依赖项，包括transformers、Pillow、matplotlib、PyMuPDF等。随后，加载拥有30亿参数的视觉语言模型，系统会自动根据硬件支持选择bfloat16或float16精度，并将其移至GPU进行推理。

为了测试模型对结构化内容的处理能力，教程使用PIL生成了三个逼真的示例文档页面，每个页面包含标题、段落、表格和脚注。这些页面模拟了季度运营报告的形式，表格中展示了不同地区的收入数据，脚注则说明了多页模式下上下文连贯性的重要性。通过Matplotlib预览第一页后，即可进入OCR推理阶段。

在单页OCR推理中，教程比较了两种模式：Gundam模式和Base模式。Gundam模式采用全局文档视图与平铺图像裁剪相结合的方式，图像尺寸设置为640像素，并启用裁剪模式（crop_mode=True），这样可以保留细小文字，特别适合密集布局的文档。Base模式则使用单张1024像素的完整图像，关闭裁剪，推理速度更快，适合清晰印刷的页面。两种模式均设置了长上下文生成参数（max_length=32768）和重复控制参数（no_repeat_ngram_size=35, ngram_window=128），以确保模型输出稳定且结构化的结果。教程通过实际代码演示了这两种模式的调用方式，并强调了参数配置的重要性。

对于多页PDF，教程首先使用PyMuPDF将三个示例页面合并为一个三页的PDF文件，然后通过pdf_to_images函数以300 DPI的分辨率将每页光栅化为PNG图像。这些图像作为输入传递给模型的infer_multi()方法，实现一次性长视野解析。为了保持跨页解码的稳定性，ngram重复窗口被扩大至1024。输出结果包括文本、Markdown和JSON文件，所有文件均保存在指定的输出目录中。

最后，教程提供了一个推理模式速查表，帮助开发者根据文档类型选择最合适的模式：密集小文本使用Gundam（640 + crop_mode=True），清晰印刷品使用Base（1024 + crop_mode=False），多页PDF使用infer_multi()并设置ngram_window=1024。整个流水线在Google Colab中运行，能够适应不同GPU能力，为处理报告、扫描表单、技术文档和表格等布局丰富的内容提供了可复用的基础。通过本教程，读者可以掌握Unlimited-OCR的核心使用方法，并能够将其集成到自己的文档处理工作流中。