如何使用百度的Unlimited-OCR構建高解析度影像和多頁PDF的端到端OCR流水線

本教程詳細介紹瞭如何利用百度的Unlimited-OCR模型構建一個完整的端到端OCR流水線，適用於高解析度文件影像和多頁PDF的解析。整個過程在Google Colab環境中完成，無需依賴傳統的OCR和佈局分析工具。首先，配置GPU環境並安裝所需依賴項，包括transformers、Pillow、matplotlib、PyMuPDF等。隨後，載入擁有30億引數的視覺語言模型，系統會自動根據硬體支援選擇bfloat16或float16精度，並將其移至GPU進行推理。

為了測試模型對結構化內容的處理能力，教程使用PIL生成了三個逼真的示例文件頁面，每個頁面包含標題、段落、表格和腳註。這些頁面模擬了季度運營報告的形式，表格中展示了不同地區的收入資料，腳註則說明了多頁模式下上下文連貫性的重要性。透過Matplotlib預覽第一頁後，即可進入OCR推理階段。

在單頁OCR推理中，教程比較了兩種模式：Gundam模式和Base模式。Gundam模式採用全域性文件檢視與平鋪影像裁剪相結合的方式，影像尺寸設定為640畫素，並啟用裁剪模式（crop_mode=True），這樣可以保留細小文字，特別適合密集佈局的文件。Base模式則使用單張1024畫素的完整影像，關閉裁剪，推理速度更快，適合清晰印刷的頁面。兩種模式均設定了長上下文生成引數（max_length=32768）和重複控制引數（no_repeat_ngram_size=35, ngram_window=128），以確保模型輸出穩定且結構化的結果。教程透過實際程式碼演示了這兩種模式的呼叫方式，並強調了引數配置的重要性。

對於多頁PDF，教程首先使用PyMuPDF將三個示例頁面合併為一個三頁的PDF檔案，然後透過pdf_to_images函式以300 DPI的解析度將每頁光柵化為PNG影像。這些影像作為輸入傳遞給模型的infer_multi()方法，實現一次性長視野解析。為了保持跨頁解碼的穩定性，ngram重複視窗被擴大至1024。輸出結果包括文本、Markdown和JSON檔案，所有檔案均儲存在指定的輸出目錄中。

最後，教程提供了一個推理模式速查表，幫助開發者根據文件型別選擇最合適的模式：密集小文本使用Gundam（640 + crop_mode=True），清晰印刷品使用Base（1024 + crop_mode=False），多頁PDF使用infer_multi()並設定ngram_window=1024。整個流水線在Google Colab中執行，能夠適應不同GPU能力，為處理報告、掃描表單、技術文件和表格等佈局豐富的內容提供了可複用的基礎。透過本教程，讀者可以掌握Unlimited-OCR的核心使用方法，並能夠將其整合到自己的文件處理工作流中。