PythonでのOCR処理。EasyOCRでやってました。
【2025年12月版】Windows で EasyOCR と Poppler を利用して PDF を OCR する手順
https://nokoshitamono.blogspot.com/2025/12/202512windows-easyocr-poppler-pdf-ocr.html
LightOnOCR-2-1Bでもやってみました。
EasyOCRは高速処理。
LightOnOCR-2-1Bはそれなりに時間がかかるけど、段組みの認識は強い。
CPUでも動くので使えるかも。
WikipediaのページをOCR処理した結果
モデルはどっかにダウンロードする
git lfs install
git clone https://huggingface.co/lightonai/LightOnOCR-2-1B c:/llamamodels/LightOnOCR-2-1B
あとは各ライブラリをpipでインストール。
pip checkで過不足ない感じにすれば動くはず。
torchはCUDA対応にすればGPU使えますが、CPUだけでも動きます。
# python lightonocr_local.py test.jpg --out result.txt
# python lightonocr_local.py book.pdf --pages 1,2,5-12
import argparse
import io
import os
from pathlib import Path
from typing import List, Optional, Tuple
import torch
from PIL import Image
# PDF対応（任意）
try:
import pypdfium2 as pdfium
except Exception:
pdfium = None
from transformers import LightOnOcrForConditionalGeneration, LightOnOcrProcessor
MODEL_PATH = r"c:/models/LightOnOCR-2-1B"
IMAGE_EXTS = {".png", ".jpg", ".jpeg", ".webp", ".bmp", ".tif", ".tiff"}
def pick_device() -> Tuple[str, torch.dtype]:
"""
LightOnOCR公式例に合わせて:
- mps -> float32
- cuda -> bfloat16（対応しないGPUなら float16 に切替推奨）
- cpu -> float32
"""
if torch.backends.mps.is_available():
return "mps", torch.float32
if torch.cuda.is_available():
# bf16 が怪しい場合は float16 に変更してください
return "cuda", torch.bfloat16
return "cpu", torch.float32
def resolve_device_and_dtype(device_arg: str, dtype_arg: str, force_fp16: bool) -> Tuple[str, torch.dtype]:
"""
CLI指定に基づいて device と dtype を安全に確定する。
device_arg: auto|cpu|cuda|cuda:0|cuda:1|mps
dtype_arg : auto|fp32|fp16|bf16
"""
# --- device 決定 ---
if device_arg == "auto":
if torch.backends.mps.is_available():
device = "mps"
elif torch.cuda.is_available():
device = "cuda"
else:
device = "cpu"
else:
device = device_arg
# --- device 実在チェック ---
if device.startswith("cuda"):
if not torch.cuda.is_available():
raise RuntimeError("CUDAが利用できません。--device cpu を指定してください。")
if device != "cuda":
# cuda:0 のような形式
try:
idx = int(device.split(":")[1])
except Exception:
raise RuntimeError("CUDA指定は cuda または cuda:0 の形式で指定してください。")
if idx < 0 or idx >= torch.cuda.device_count():
raise RuntimeError(f"{device} は存在しません。CUDAは {torch.cuda.device_count()}枚です。")
if device == "mps" and not torch.backends.mps.is_available():
raise RuntimeError("MPS が利用できません。")
# --- dtype 決定 ---
if dtype_arg == "auto":
if device.startswith("cuda"):
dtype = torch.float16 if force_fp16 else torch.bfloat16
else:
dtype = torch.float32
else:
mp = {"fp32": torch.float32, "fp16": torch.float16, "bf16": torch.bfloat16}
if dtype_arg not in mp:
raise ValueError("--dtype は auto|fp32|fp16|bf16 のいずれかです")
dtype = mp[dtype_arg]
# MPSはfp32が安全（fp16/bf16で不安定になりやすい）
if device == "mps":
dtype = torch.float32
return device, dtype
def load_images_from_path(path: Path, page_spec: str = "") -> List[Image.Image]:
"""
path が:
- 画像ファイル: 1枚
- フォルダ: 画像を全列挙
- PDF: 各ページをレンダして画像化（pypdfium2必須）
"""
if path.is_dir():
imgs = []
for p in sorted(path.rglob("*")):
if p.suffix.lower() in IMAGE_EXTS:
imgs.append(Image.open(p).convert("RGB"))
return imgs
if path.suffix.lower() in IMAGE_EXTS:
return [Image.open(path).convert("RGB")]
if path.suffix.lower() == ".pdf":
if pdfium is None:
raise RuntimeError("PDFを処理するには `pip install pypdfium2` が必要です。")
pdf_data = path.read_bytes()
pdf = pdfium.PdfDocument(pdf_data)
page_indices = parse_page_range(page_spec, len(pdf))
images = []
for i in page_indices:
page = pdf[i]
pil_img = page.render(scale=2.77).to_pil()
images.append(pil_img.convert("RGB"))
return images
raise ValueError(f"未対応の入力です: {path}")
def parse_page_range(spec: str, total_pages: int) -> List[int]:
"""
ページ指定文字列を 0-based index のリストに変換
"""
if not spec:
return list(range(total_pages))
pages = set()
for part in spec.split(","):
part = part.strip()
if "-" in part:
start, end = part.split("-", 1)
start_i = int(start) - 1 if start else 0
end_i = int(end) - 1 if end else total_pages - 1
start_i = max(start_i, 0)
end_i = min(end_i, total_pages - 1)
for i in range(start_i, end_i + 1):
pages.add(i)
else:
i = int(part) - 1
if 0 <= i < total_pages:
pages.add(i)
return sorted(pages)
@torch.inference_mode()
def ocr_image(
model: LightOnOcrForConditionalGeneration,
processor: LightOnOcrProcessor,
image: Image.Image,
device: str,
dtype: torch.dtype,
max_new_tokens: int = 1024,
) -> str:
"""
Transformersの公式モデルカードにある会話テンプレ方式でOCRする。 :contentReference[oaicite:2]{index=2}
"""
conversation = [
{
"role": "user",
"content": [
{"type": "image", "image": image},
],
}
]
inputs = processor.apply_chat_template(
conversation,
add_generation_prompt=True,
tokenize=True,
return_dict=True,
return_tensors="pt",
)
# floatテンソルだけ dtype を当て、他は device のみ移動
inputs = {
k: (v.to(device=device, dtype=dtype) if v.is_floating_point() else v.to(device))
for k, v in inputs.items()
}
output_ids = model.generate(**inputs, max_new_tokens=max_new_tokens)
generated_ids = output_ids[0, inputs["input_ids"].shape[1] :]
text = processor.decode(generated_ids, skip_special_tokens=True)
return text.strip()
def main():
ap = argparse.ArgumentParser()
ap.add_argument("input", help="画像ファイル / 画像フォルダ / PDF のパス")
ap.add_argument("--max_new_tokens", type=int, default=1024)
ap.add_argument("--out", default="", help="出力テキスト保存先（未指定なら標準出力）")
ap.add_argument("--page_sep", default="\n\n--- PAGE ---\n\n", help="複数ページの区切り")
ap.add_argument("--force_fp16", action="store_true", help="CUDA時に fp16 を強制（bf16で不安定なら）")
ap.add_argument("--pages", default="", help="PDFページ範囲（例: 1-5, 3-, -10, 1,3,5-7）※PDFのみ有効")
ap.add_argument("--model", default="", help="HF model id or local path（未指定ならコード内の MODEL_PATH を使用）")
# ★追加（GPU切替）
ap.add_argument("--device", default="auto", help="実行デバイス: auto | cpu | cuda | cuda:0 | cuda:1 | mps")
ap.add_argument("--dtype", default="auto", help="精度: auto | fp32 | fp16 | bf16（cuda以外はfp32推奨）")
args = ap.parse_args()
model_path = args.model if args.model else MODEL_PATH
# ★追加（GPU切替）
device, dtype = resolve_device_and_dtype(args.device, args.dtype, args.force_fp16)
print(f"[INFO] device={device} dtype={dtype}")
model = LightOnOcrForConditionalGeneration.from_pretrained(
model_path,
torch_dtype=dtype,
local_files_only=True,
).to(device)
processor = LightOnOcrProcessor.from_pretrained(
model_path,
local_files_only=True,
)
images = load_images_from_path(in_path, args.pages)
if not images:
raise RuntimeError("処理できる画像が見つかりませんでした。")
texts: List[str] = []
for idx, img in enumerate(images, start=1):
print(f"[INFO] OCR {idx}/{len(images)} ...")
txt = ocr_image(
model=model,
processor=processor,
image=img,
device=device,
dtype=dtype,
max_new_tokens=args.max_new_tokens,
)
texts.append(txt)
final_text = args.page_sep.join(texts)
if args.out:
out_path = Path(args.out)
out_path.write_text(final_text, encoding="utf-8")
print(f"[INFO] saved: {out_path}")
else:
print(final_text)
if __name__ == "__main__":
main()
