高解像度画像とマルチページPDF向けのBaidu Unlimited-OCRを用いたエンドツーエンドOCRパイプラインの構築

このチュートリアルでは、BaiduのUnlimited-OCRモデルを用いた文書画像およびマルチページPDFに対する完全なワークフローを構築します。GPU環境の設定、依存関係のインストール、自動データ型選択による30億パラメータの視覚言語モデルの読み込みを行います。テスト用の構造化サンプル文書を生成します。ワークフローでは、タイル分割によるGundam推論モードと、より高速なベースモードの両方を単一ページOCRで評価し、その後PyMuPDFとinfer_multi()を用いてマルチページPDF解析に拡張します。長文脈生成設定、繰り返し制御、構造化出力処理を保持し、密集したレイアウト、表、段落、ページを跨ぐコンテンツを処理します。最後のチートシートでは、文書の種類に応じた推奨モードをまとめています。