在Windows上部署Unlimited-ocr并提供给大模型使用

本地OCR工具部署指南:Tesseract与PaddleOCR离线实战 OCR(光学字符识别)技术通过算法将图像中的文字转换为可编辑文本,其核心原理涉及图像预处理、特征提取和字符识别等步骤。这项技术为文档数字化、自动化办公和数据提取提供了关键支持,广泛应用于金融票据处理、证件识别和档案管理等场景。在数据安全与隐私保护需求日益增长的背景下,离线OCR工具成为处理敏感信息的重要选择。本文聚焦于Tesseract OCR和PaddleOCR这两款主流开源引擎,详细讲解它们在Windows、Linux和macOS系统下的本地部署方法,包括环境配置、命令行操作和Python集成。通过对比 阅读详情

我在尝试把我的图片转换为文字,恰好看到百度开源了Unlimited-ocr项目,就想把它部署到自己的Windows电脑上,并提供给其他大模型使用。
Unlimited-ocr: https://github.com/baidu/Unlimited-OCR
我开源的代码: https://github.com/tinygone/unlimited-ocr-mcp-server

问题

先让Claude Code分析了这个github repo,给了很多输出,意思是可以帮我安装。我本能拒绝,因为我自己都没看清楚它会怎么使用,更不知道它到底给我安装了啥。
我担心的几个问题:
1、都给我安装到C盘了
2、模型不知道下载到哪
3、官方的仓库里面几乎没有代码,readme里面有一点,我也不知道怎么调用它。

准备

本机是Windows11操作系统,Nvidia RTX5070TI显卡,CUDA版本是13.1,安装了Anaconda,所以会使用conda管理python环境。
unlimited-ocr官网显示推荐使用python 3.12.3 + CUDA12.9,但是在pytorch官网安装已经找不到CUDA12.9,所以我还是决定把我的CUDA升级一下,然后安装最新的CUDA。

升级前:
请添加图片描述

安装后
请添加图片描述

安装过程

1 创建项目目录 D:/aiworkspace/uocr-workspace(可选),并创建虚拟环境uocr

conda create -n uocr python=3.12.3
conda activate uocr

2 安装pytorch,访问官网 https://pytorch.org/get-started ,获取最新的安装链接

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu132

3 安装其他依赖,在uocr-workspace下创建一个requirements.txt文件,内容来自repo里面的readme.md,我把torch和torchvision删除:

transformers==4.57.1
Pillow==12.1.1
matplotlib==3.10.8
einops==0.8.2
addict==2.4.0
easydict==1.13
pymupdf==1.27.2.2
psutil==7.2.2

执行如下命令安装依赖:

pip install -r requirements.txt

4 初步验证,执行下面的命令

python -c "import torch; print('torch:', torch.__version__); print('cuda:', torch.cuda.is_available()); print('device:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'CPU only')"

输出如下,说明正常:

torch: 2.13.0+cu132
cuda: True
device: NVIDIA GeForce RTX 5070 Ti Laptop GPU

5 设置环境变量:通过代理访问HuggingFace;设置模型下载的目录,不然就会下载到C盘。

$env:HF_ENDPOINT = "https://hf-mirror.com"
echo $env:HF_ENDPOINT
$env:HF_HOME = "E:\hgcache"
echo $env:HF_HOME

6 创建run_ocr.py,内容如下:

"""
Unlimited-OCR 推理脚本
用法:
    # 单张图片(gundam 配置,适合大图)
    python run_ocr.py --mode single -i inputs/test.jpg -o outputs

    # 多张图片
    python run_ocr.py --mode multi -i inputs/page1.png inputs/page2.png -o outputs

    # PDF(自动转图后走多页)
    python run_ocr.py --mode pdf -i inputs/doc.pdf -o outputs --dpi 300
"""
import argparse
import os
import time

import torch
from transformers import AutoModel, AutoTokenizer

MODEL_NAME = 'baidu/Unlimited-OCR'


def load_model():
    print('[1/3] 加载 tokenizer 和模型 ...')
    t0 = time.time()
    tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME, trust_remote_code=True)
    model = AutoModel.from_pretrained(
        MODEL_NAME,
        trust_remote_code=True,
        use_safetensors=True,
        torch_dtype=torch.bfloat16,
    )
    model = model.eval().cuda()
    print(f'    模型加载完成,耗时 {time.time() - t0:.1f}s')
    if torch.cuda.is_available():
        print(f'    GPU: {torch.cuda.get_device_name(0)}')
    return tokenizer, model


def infer_single(tokenizer, model, image_file, output_dir):
    print(f'[2/3] 单图推理: {image_file}')
    model.infer(
        tokenizer,
        prompt='<image>document parsing.',
        image_file=image_file,
        output_path=output_dir,
        base_size=1024, image_size=640, crop_mode=True,   # gundam 配置
        max_length=32768,
        no_repeat_ngram_size=35, ngram_window=128,
        save_results=True,
    )


def infer_multi(tokenizer, model, image_files, output_dir):
    print(f'[2/3] 多页推理: {len(image_files)} 张图')
    model.infer_multi(
        tokenizer,
        prompt='<image>Multi page parsing.',
        image_files=image_files,
        output_path=output_dir,
        image_size=1024,
        max_length=32768,
        no_repeat_ngram_size=35, ngram_window=1024,
        save_results=True,
    )


def pdf_to_images(pdf_path, dpi=300):
    import tempfile
    import fitz  # PyMuPDF
    print(f'    PDF 转图: {pdf_path} (dpi={dpi})')
    doc = fitz.open(pdf_path)
    tmp_dir = tempfile.mkdtemp(prefix='pdf_ocr_')
    mat = fitz.Matrix(dpi / 72, dpi / 72)
    paths = []
    for i, page in enumerate(doc):
        out = os.path.join(tmp_dir, f'page_{i+1:04d}.png')
        page.get_pixmap(matrix=mat).save(out)
        paths.append(out)
    doc.close()
    print(f'    转出 {len(paths)} 页 -> {tmp_dir}')
    return paths


def main():
    parser = argparse.ArgumentParser(description='Unlimited-OCR runner')
    parser.add_argument('--mode', choices=['single', 'multi', 'pdf'], default='single',
                        help='推理模式: single=单图, multi=多图, pdf=PDF')
    parser.add_argument('-i', '--inputs', nargs='+', required=True,
                        help='输入文件路径(single/multi 传图片, pdf 传 .pdf)')
    parser.add_argument('-o', '--output', default='outputs', help='输出目录')
    parser.add_argument('--dpi', type=int, default=300, help='PDF 转图 DPI (仅 pdf 模式)')
    args = parser.parse_args()

    os.makedirs(args.output, exist_ok=True)

    tokenizer, model = load_model()

    if args.mode == 'single':
        infer_single(tokenizer, model, args.inputs[0], args.output)
    elif args.mode == 'multi':
        infer_multi(tokenizer, model, args.inputs, args.output)
    elif args.mode == 'pdf':
        images = pdf_to_images(args.inputs[0], args.dpi)
        infer_multi(tokenizer, model, images, args.output)

    print(f'[3/3] 完成. 结果目录: {os.path.abspath(args.output)}')


if __name__ == '__main__':
    t = time.time()
    main()
    print(f'总耗时: {time.time() - t:.1f}s')

7 单次调用测试如下命令,首先会下载模型,程序会先下载模型,然后执行识别任务。

python run_ocr.py --mode single -i inputs/1.jpg -o outputs

8 为了能让大模型调用unlimited-ocr,需要运行serve_ocr.py,启动一个http服务,既兼容OpenAI 兼容 API 服务,可以为dify/claude code提供模型服务,也可以作为一个独立的http服务。

python serve_ocr.py

9 创建mcp,核心文件是ocr_mcp_server.py,然后可以让claude code把这个mcp加入进去。
10 引入skill,见.claude/skills/uocr

11 在Claude Code中执行效果:

/uocr 识别 inputs/2.png,告诉我内容

请添加图片描述

基于mineru与百度OCR的PDF转Word本地化工程方案 文档格式转换是数据处理中的常见需求,其核心在于从非结构化文档中准确提取并重建结构化信息。PDF作为一种跨平台的固定版式文档格式,其本质是打印描述文件,逆向转换为可编辑的Word文档涉及文本提取、版面分析和格式重建等关键技术环节。传统在线工具或商业软件常因格式错乱、识别精度低或隐私安全问题而难以满足高质量、批量化处理需求。通过结合开源文档解析工具mineru与百度Unlimited OCR的高精度识别能力,可以构建一套本地化、可编程的解决方案。该方案将转换流程透明化、工程化,允许开发者针对文本层与图像层进行精 阅读详情

相关推荐

刚拿到百度Unlimited OCR源码:本地零距离实测40页长文档解析,手把手教你跑通

如果你想把Unlimited OCR本地部署环境隔离与依赖:死磕CUDA 11.8以上,使用 Conda 隔离环境,不要和原有的 Web 环境混用,否则大概率库冲突。显存管理指令:启动前必须加上,这是跑通中长文档的保命符。大文件切片化:遇到 20 页以上的 PDF,务必在配置项中开启(根据你的显存动态调整 3-10),千万别让它一次性吃成胖子。表格与公式解析:如果文档包含复杂表格,确保开启了深度识别模块,输出的 HTML 表格可以直接被 Pandas 的read_html读取,非常爽。

Kimi的博客 1674

百度开源 Unlimited-OCR一次前向解析长文档,支持 Transformers、vLLM 与 SGLang 部署

本文介绍了百度开源的长文档OCR模型Unlimited-OCR,它通过端到端方式解析图片、PDF等多页文档,直接输出结构化文本或Markdown格式。相比传统OCR的分步骤处理,该模型采用R-SWA技术控制注意力范围,降低了长序列推理成本,支持一次性解析长达32768字符的文档。文章详细对比了传统OCR与Unlimited-OCR的区别,说明了后者在表格还原、多栏文本处理等方面的优势,并提供了环境配置和Python调用示例,包括单图识别和PDF多页解析的实现方法。该模型适合处理合同、论文、报告等复杂文档,输

hello.reader 2002

百度Unlimited-OCR:长文档连续解析技术原理与实战应用

在数字化转型浪潮中,文档信息自动化处理已成为企业降本增效的关键环节。传统的OCR技术虽然成熟,但在处理长文档、连续扫描图像时往往需要逐页切割识别,不仅效率低下,还容易丢失页面间的上下文关联。近期百度开源的Unlimited-OCR技术,正是瞄准了这一痛点,实现了从"单页识别"到"长时域连续解析"的技术跨越。 本文将完整解析Unlimited-OCR的核心原理、环境搭建、实战应用及优化方案,无论你是需要处理大量扫描文档的运维人员,还是正在开发智能文档处理系统的开发者,都能从中获得可直接落地的解决方案。 1.

weixin_42528902的博客 306

云服务器免费体验 Unlimited OCR 文档图片字符识别

2026年6月最新OCR识别模型,端到端效果第一,速度很快,欢迎体验

sanwei12345的博客 408

【一起学UniGUI】--UniGUI的部署选项(5)

uniGUI支持Windows平台下所有主要部署选项。 1.Standalone Server (独立服务器) 最简单的部署方法是独立服务器。在这种模式下,应用程序服务器像桌面应用程序一样直接运行。它也是用于调试应用程序的模式。运行应用程序可执行文件后(它是一个EXE文件),它将最小化到托盘图标,并运行到用户手动终止为止。见下图: 一个独立的应用程序可以...

5778

FTViewSE利用VB脚本制作简易日报表

罗克韦尔SE用VB做的简单的报表

z0800656的博客 3025

Unlimited-OCR 太狠了:长文档直接“无限解析”,本地一键部署我也帮你搞定了

Baidu最新推出的Unlimited-OCR模型突破了传统OCR的局限,专注于长文档理解与结构化输出。该模型通过整体解析文档(支持50页以上PDF),显著提升了表格合并、跨页语义对齐等能力,特别适合RAG、PDF转Markdown等场景。目前提供Transformers(稳定)和SGLang(高性能)两种部署方案,支持Windows/Docker/macOS一键运行(GitHub项目paddleocr-local)。需注意模型体积大、显存要求高,建议NVIDIA显卡用户优先选择Transformers后端

高丽大学人工智能硕士在读|专注大模型、RAG、OCR与AI工程实践 1428

DRAM知识整理系列(三):部分时序参数整理

一、tCL-tRCD-tRP-tRAS(第一时序) 内存是根据行和列寻址的,当请求触发后,最初是tRAS(Active to precharge Delay),预充电后,内存才真正开始初始化RAS(Row Address Strobe)。一旦tRAS激活后,RAS开始进行需要数据的寻址。首先是行地址,然后初始化tRCD(RAS to CAS Delay),周期结束,接着通过CAS(Column Address Strobe)访问所需数据的十六进制地址。其中,从CAS开始到CAS结束,就是CAS延迟(即t

不吃鱼的猫的博客 7万+

Umi-OCR 企业级部署与运维终极指南:5个实战场景深度解析

Umi-OCR作为一款开源免费的离线OCR软件,为技术决策者和系统管理员提供了强大的文字识别解决方案。在Windows 7等老旧系统环境下,Umi-OCR通过离线运行、多语言支持、批量处理等核心功能,为企业文档数字化、数据提取和自动化流程提供了可靠的技术支持。本指南将深入探讨5个关键实战场景,提供完整的企业级部署方案。 ## 模块化功能架构:四大核心组件深度解析 Umi-OCR采用模块化设计,

gitblog_00340的博客 503

RK3568适配MIPI屏幕触摸,触摸延时很大

我用的是系统,接了一个,设备树已经正确配置,evtest测试坐标值和触摸位置都是准确的。但是出现了一个:我在屏幕上点一下,要等大约 2 秒才能在evtest里看到坐标事件打印。这种现象在 Goodix 系列触摸驱动里比较少见,一般意味着。

小灰灰的博客 1365

ESP32设备驱动-MLX90393磁场传感器驱动

MLX90393 磁场传感器可以在运行时重新编程为不同的模式和不同的设置。 该传感器使用 Melexis 专有的 Triaxis® 技术提供与沿 XYZ 轴感应的磁通密度成比例的 16 位输出,还提供温度输出信号。 这些数字值可通过 I2C 和 SPI 获得,其中 MLX90393 是总线上的从设备。

视觉与物联智能 2358

Unlimited-OCR 在 Windows 原生部署全系列(14 篇总览):从源码编译到上线排障

一套完整的、可复现的复盘指导教程:如何,在下从源码把 sglang 的高性能后端编译出来,并真正跑通 Unlimited-OCR 的 OCR 服务。全系列。

AITechLab 的博客 717

秋招突击——笔试整理——8/25——拼多多笔试整理

继续加油! 转变思维,有简单到复杂,由直观到抽象,这种贪心模拟的题目一直是这样的!

Blackoutdragon的博客 2404

在Windows上用conda部署Unlimited-ocr并接入TaoToken供大模型调用

在Windows用conda隔离环境部署Unlimited-ocr,先设HF_HOME避免模型占用C盘,再跑通单图与PDF识别,最后通过TaoToken统一通道把本地OCR服务接入大模型工具链。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 提供Key与API入口,settings.json即可完成对接。

Ceshi01的博客 9

SAP 物料主数据 Forecasting 视图,别把预测只当成一个数字字段

摘要(150字): SAP S/4HANA物料主数据的Forecasting视图常被忽视,但对依赖历史消耗规律的物料至关重要。该功能基于工厂维度的历史消耗数据,结合预测参数自动计算未来需求,动态调整重订货点和安全库存。预测模板(Forecast Profile)能标准化参数设置,而消耗数据(Consumption Values)的质量直接影响预测结果。预测值作为MRP输入,需注意保存操作才能生效。自动重订货点功能通过分析消耗波动和服务水平,实现库存策略的动态优化。Individual Forecast功能则

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1437

2025B卷最新华为OD机试持续收录中 - 真题题库清单,按考点划分(Python / JS / C++ / JAVA / C语言)

2025B卷最新华为OD机试持续收录中 - 真题题库清单,按考点划分(Python / JS / C++ / JAVA / C语言)

算法大师! 3059

Unlimited-OCR 部署运行(13/13):长文档验证 + 端口冲突坑 + 完整使用指南

编译移植篇(01–08):一个被广泛认为"Windows 装不了、只能上 WSL/Docker"的高性能推理框架,我们拒绝逃生,在原生 Windows 上从源码把它编译并跑通——横跨 FlashInfer 前置编译、环境、GCC→MSVC 方言、MSVC 语义严格性、架构裁剪、链接收尾,以及支撑这一切不散架的工程方法论。部署运行篇(09–13):编出来之后怎么真正跑起来——正确启动、两个经典排障(乱码根因 / 环境变量块崩溃)、MoE 性能调优、长文档验证,以及本篇的使用指南。

AITechLab 的博客 351

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

探索OCR:长文档解析,可以看看Unlimited OCR 2

如果你只是想简单的识别文字和表格,可以使用作者的小程序LINC扫描王更省心省力。现在的扫描功能支持了扫描后PDF的签字和加水印功能,主打一个高清免费易用,可以尝试一下。我们下期再见。

懒人的技术笔记 453

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

把百度 Unlimited-OCR 装进 U 盘:Win 本地 OCR 便携包(8 GB 显存就能跑)

本文介绍了一个将百度开源的Unlimited-OCR模型打包成便携式工具包的解决方案。该工具包整合了Python解释器、CUDA依赖、模型权重等,只需9.5GB空间,可在8GB显存的RTX 4060上运行。主要解决了本地部署时的环境冲突、模型下载慢等问题,并添加了中文UI、批量处理、布局识别等增强功能。通过批处理脚本即可一键启动,支持多页PDF处理和结果导出。文章详细介绍了工具包结构、使用方法和常见问题解决方案,为OCR应用提供了开箱即用的本地化部署方案。

更多:qianchilang.com 569

在Windows上部署Unlimited-ocr并接入TaoToken统一API供大模型调用

Windows 部署 Unlimited-ocr 常卡在 PyTorch 轮子与模型落盘,用 conda 建环境、设 HF_HOME 挪走缓存即可跑通。再包一层 HTTP 服务,经 TaoToken 统一 API 供大模型调用,一套 Key 打通本地 OCR 与编码 Agent。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42598278的博客 179

部署百度 **Unlimited-OCR** 模型的全过程踩坑与解决方案总结。

百度开源OCR模型Unlimited-OCR凭借轻量级设计(3B参数)实现了卓越性能,在OmniDocBench测试中以93.92%得分刷新记录。其R-SWA机制支持40页长文档处理且保持稳定。Windows部署时需解决三大问题:依赖冲突(降级transformers库、使用SDPA替代flash-attn)、配置缺失(动态补全config属性)和权重异常(手动初始化position_embedding)。关键步骤包括严格图像预处理(224x224像素+CLIP标准化)和环境变量调试。通过系统化解决方案,最

MrLi的博客 1468

Unlimited-OCR-GGUF错误排查手册:常见问题与解决方案汇总

📋 **Unlimited-OCR-GGUF** 是一款基于DeepSeek-OCR架构的先进光学字符识别模型,提供多种量化版本供用户选择。本错误排查手册将帮助您解决在使用过程中遇到的各种常见问题,让您的OCR识别体验更加顺畅! ## 🔍 快速诊断:常见错误类型 ### 1. 模型加载失败问题 **症状**:运行命令时出现"failed to load model"或"unsupport

gitblog_00997的博客 481

Unlimited-OCR 部署运行(9/13):正确启动 SGLang + 模型,参数逐项理由

前 8 篇(编译移植篇)我们把从源码编出了win_amd64wheel,并让 sglang 高性能后端在原生 Windows 上。这一步藏着不少 Windows 特有的坑(环境变量块超限、模型放在网络盘导致超时、若干 Windows 专用启动参数),任何一处没对齐,表现都是"服务起不来"或"起来但输出不对"。本篇把已验证可用的完整启动方式一次给全。

AITechLab 的博客 409

Unlimited OCR:集成OCR、录屏与离线翻译的开发者效率神器

OCR(光学字符识别)技术通过算法将图像中的文字转换为可编辑文本,其核心原理通常基于深度学习模型分析像素特征。这项技术极大地提升了信息数字化效率,在文档处理、资料归档等场景中价值显著。录屏功能则依赖FFmpeg等框架捕获屏幕流并编码,是制作教程、记录问题的实用工具。而离线翻译基于本地神经机器翻译模型,在保护隐私的前提下提供即时语言转换。将OCR、录屏与翻译三大功能深度整合,通过全局快捷键与剪贴板联动,能有效消除工作流中的切换成本,尤其适合处理技术文档、代码截图及跨语言资料查阅等高频场景。本文探讨的Unlim

weixin_34326558的博客 312

Unlimited-OCR 部署运行(12/13):RTX 3090 MoE triton autotune config 消除性能警告

它,但会污染日志,而且默认 config 在消费级卡上未必最优。本篇讲清三件事:警告从哪来、为什么、以及如何为 RTX 3090 生成一份安全且有效的 autotune config。

AITechLab 的博客 458
上一篇: llama.cpp部署QWEN3.5-9B和Gemma4-e4b,用Claude Code对比测试
tinygone
博客等级 码龄13年 190粉丝 42原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值