OpenThai 2.0 OCR Text และ OCR Markdown

โมเดล OCR ภาษาไทยแบบเปิด 2 ตัวที่ดาวน์โหลดมารันบนเครื่องตัวเองได้ เอกสารไม่ต้องส่งออกไปไหน

เลือกใช้โมเดลไหน

OpenThai 2.0 OCR Text (4 MB)

• ผลลัพธ์: ข้อความของหน้าตามลำดับการอ่าน พร้อมกรอบและค่าความมั่นใจของทุกบรรทัด
• รันบน: CPU ใดก็ได้ ไม่ต้องใช้ GPU
• ความเร็ว: ราว 0.5 วินาทีต่อหน้าบน Mac ชิป M3 Max
• สัญญาอนุญาต: Apache-2.0
• เหมาะสำหรับ: ดึงข้อความเพื่อค้นหา ดึงข้อความจากเอกสารสแกน หรือส่งต่อให้แชตบอต

OpenThai 2.0 OCR Markdown (2.5 GB)

• ผลลัพธ์: Markdown โดยเขียนตารางเป็น HTML (รองรับ rowspan และ colspan) พร้อมกรอบและประเภทของทุกบล็อก
• รันบน: GPU ของ NVIDIA (เร็วที่สุด), Mac ชิป Apple silicon หรือ CPU (ช้ามาก)
• ความเร็ว: 1.6 วินาทีต่อหน้าบน NVIDIA H100 หนึ่งใบ, 15 ถึง 27 วินาทีต่อหน้าบน Mac ชิป M3 Max
• สัญญาอนุญาต: OpenMDW-1.1
• เหมาะสำหรับ: เมื่อรูปแบบหน้าสำคัญ โดยเฉพาะตาราง ที่ตัวเลขต้องอยู่ในแถวและคอลัมน์เดิม

ก่อนเริ่ม: ติดตั้ง Python

ทั้งสองโมเดลต้องใช้ Python 3.10 ขึ้นไป (ทดสอบด้วย Python 3.13 บน macOS และ Python 3.12 บน Ubuntu 24.04)

Windows: ดาวน์โหลด Python 3.13 จาก python.org แล้วรันตัวติดตั้ง ในหน้าแรกให้ติ๊ก "Add python.exe to PATH" จากนั้นเปิด Command Prompt (กดปุ่ม Windows แล้วพิมพ์ cmd)

Mac: ติดตั้ง Python 3.13 จาก python.org หรือด้วย Homebrew:

copybrew install python@3.13

Linux: บน Ubuntu หรือ Debian:

copysudo apt install python3 python3-venv python3-pip

วิธีใช้ OCR Text

1. สร้างโฟลเดอร์และสภาพแวดล้อม Python

Windows:

copymkdir thai-ocr
cd thai-ocr
py -m venv .venv
.venv\Scripts\activate

Mac และ Linux:

copymkdir thai-ocr
cd thai-ocr
python3 -m venv .venv
source .venv/bin/activate

2. ติดตั้งแพ็กเกจและดาวน์โหลดโมเดล

copypip install onnxruntime opencv-python-headless pyclipper numpy pillow pypdfium2 huggingface_hub
hf download iapp/OpenThai2.0-OCR-Text --local-dir OpenThai2.0-OCR-Text

โมเดลมีสองไฟล์ ขนาด 1.8 MB และ 2.4 MB พร้อมโค้ดสำหรับอ่าน อยู่ในโฟลเดอร์ OpenThai2.0-OCR-Text

หมายเหตุ: Windows on Arm (RTX Spark และเครื่อง Arm อื่น) แพ็กเกจ opencv-python-headless และ pyclipper ยังไม่มีรุ่นสำหรับ Windows on Arm ทางเลือกคือติดตั้ง Python รุ่น x64 จาก python.org (ช้ากว่า) หรือใช้ Chinda Bot

3. บันทึกสคริปต์

บันทึกโค้ดที่ให้มาเป็นไฟล์ ocr_text.py ในโฟลเดอร์ thai-ocr

4. อ่านเอกสาร

copypython ocr_text.py document.pdf

สคริปต์จะแสดงข้อความและบันทึกเป็นไฟล์ document.pdf.txt รองรับทั้ง PDF และรูปภาพ (PNG, JPG และรูปแบบทั่วไปอื่น) ใส่หลายไฟล์พร้อมกันได้

หมายเหตุ:

• ใช้ได้ทั้ง PDF จากการสแกนและ PDF ที่มีข้อความ เพราะทุกหน้าถูกวาดเป็นรูปแล้วอ่าน
• ถ้ามีหลายพันหน้า ให้เปลี่ยน threads=2 เป็น threads=1 แล้วรันสคริปต์หนึ่งชุดต่อหนึ่งคอร์ของ CPU โดยแบ่งไฟล์กันไป ในโปรเซสเดียว การเพิ่มเธรดเร็วขึ้นได้แค่ราวสองคอร์ วัดไว้ราว 950 หน้าต่อนาทีบนเซิร์ฟเวอร์ 8 คอร์

วิธีใช้ OCR Markdown

บน Mac (M1 ขึ่นไป)

Mac ชิป Apple silicon รันโมเดลบน GPU ของเครื่องได้ สร้างสภาพแวดล้อมแบบขั้นที่ 1 ของ OCR Text (ใช้โฟลเดอร์ใหม่ก็ได้) แล้วรัน:

copypip install huggingface_hub pypdfium2
hf download iapp/OpenThai2.0-OCR-Markdown --local-dir OpenThai2.0-OCR-Markdown
pip install -e ./OpenThai2.0-OCR-Markdown
python ocr_markdown.py document.pdf

บน M3 Max หน้าตารางใช้เวลา 15.5 วินาที และหน้าข้อความเต็มหน้าใช้ 26.7 วินาที

บน Linux ด้วย GPU NVIDIA (เร็วที่สุด)

รันโมเดลเป็นเซิร์ฟเวอร์ด้วย vLLM แบบเดียวกับที่ API ของเราใช้:

copypip install huggingface_hub pypdfium2
hf download iapp/OpenThai2.0-OCR-Markdown --local-dir OpenThai2.0-OCR-Markdown
pip install vllm==0.26.0
pip install -e ./OpenThai2.0-OCR-Markdown

เปิดเซิร์ฟเวอร์:

copyvllm serve ./OpenThai2.0-OCR-Markdown --served-model-name nemotron-parse --trust-remote-code

เปิดเทอร์มินัลที่สองในโฟลเดอร์เดียวกัน เปิดใช้สภาพแวดล้อม บันทึกสคริปต์ แล้วรัน:

copypython ocr_markdown.py document.pdf --server http://localhost:8000/v1

บน H100 หนึ่งใบใช้เวลาราว 1.6 วินาทีต่อหน้า และเซิร์ฟเวอร์อ่านได้หลายหน้าพร้อมกันถ้าส่งเข้าไปพร้อมกัน API ของเราใช้หน่วยความจำ GPU ราว 8 GB สำหรับโมเดลนี้

บน Windows

ถ้ามี GPU ของ NVIDIA: ใช้ WSL 2 เปิด PowerShell แบบ administrator แล้วรัน:

copywsl --install -d Ubuntu-24.04

รีสตาร์ตเมื่อระบบขอ เปิด Ubuntu จากเมนู Start แล้วทำตามขั้นตอนของ Linux

ถ้าไม่มี GPU ของ NVIDIA: ใช้ OCR Markdown API ของ iApp หรือใช้ Chinda Bot สำหรับข้อความล้วน

ทางเลือกง่าย ๆ: Chinda Bot

ไม่ต้องเขียนโค้ด — Chinda Bot ผู้ช่วยบนเดสก์ท็อปที่ใช้ได้ฟรีของเรา มี OCR Text อยู่ในตัวแล้ว แนบไฟล์ PDF ด้วยปุ่มคลิปหนีบหรือลากมาวางในแชท ทุกหน้าจะถูกอ่านบนเครื่องของคุณ คลิกที่ชื่อไฟล์เพื่อดูและคัดลอกข้อความที่อ่านได้

Chinda Bot ใช้ได้บน Mac ชิป Apple silicon, เครื่อง Windows (Intel หรือ AMD และ Windows on Arm) และ Linux arm64 อ่านเป็นบรรทัดข้อความเท่านั้น ถ้าต้องการให้ตารางยังเป็นตารางให้ใช้ OCR Markdown