g-ocr 0.1.0

GOCR — schnelle, kleine deutsche OCR-/Vision-Schicht für Dokumente (CPU, kein GPU): ganzes Dokument → Text + Position (bbox) als JSON. Bilder + PDF.

GOCR — schnelle, kleine deutsche OCR-/Vision-Schicht (CPU)

Liest ein ganzes Dokument zu Text + Position (bbox) als strukturiertes JSON — ~38 MB, reine CPU, kein GPU. Gedacht als OCR-/Vision-Schicht für (text-only) LLM-Pipelines und als Tooling: präzise Layout-Boxen + Text rein → dein LLM macht Verständnis/Extraktion.

pip install g-ocr           # Bilder: png/jpg/webp/tiff/bmp ...
pip install "g-ocr[pdf]"    # + PDF-Support (optionales Plugin)

import g_ocr
ocr = g_ocr.from_pretrained()
res = ocr.read("dokument.png")            # ein Bild      -> {text, regions:[{text, box, quad, score}]}
doc = ocr.read_document("rechnung.pdf")   # PDF/mehrseitig -> {n_pages, pages:[...], text}

Stärken

• 🎯 Präzise Bounding-Boxes, ganzes Dokument, Lesereihenfolge → strukturiertes JSON
• ⚡ CPU, bis ~16× schneller als EasyOCR — kein GPU
• 📦 ~38 MB · 🧱 Fraktur-robust · on-prem/DSGVO · 🤖 LLM-ready
• 🗂️ Bilder (png/jpg/webp/tiff/bmp …) + PDF (bis ~500 Seiten) → ein API-Aufruf, JSON pro Seite

Benchmarks (anerkannte Sets, CPU)

Scene-Text (Word Accuracy ↑): IIIT5K 93,2 % · ICDAR2013 94,1 % · ICDAR2015 67,6 % — IIIT5K klar vor EasyOCR (68,2 %).

Dokument-OCR (CER ↓ / BoW ↓) — Harness agentic-ai-forge/ocr-benchmark-2025:

Engine	SROIE CER	FUNSD CER	SROIE BoW	FUNSD BoW
PaddleOCR	15,2	20,3	25,8	50,5
GOCR	18,9	22,4	98,9	130,3
EasyOCR	20,4	26,4	81,1	102,1
Tesseract	22,6	32,4	70,2	88,2
OCR.space	44,3	48,2	73,3	84,8

Einordnung: Auf Dokument-CER #2 von 5 — vor EasyOCR, Tesseract & OCR.space, knapp hinter PaddleOCR, bei ~38 MB auf reiner CPU. Beim Bag-of-Words liegt GOCR zurück (Wort-Spacing der aktuellen Gewichte — Roadmap). Fraktur (NewsEye) ≈3× besser als EasyOCR; bei rein-modernem Deutsch führen Spezial-Engines (Umlaut-Lücke). FUNSD = exakte 25 Referenz-Samples, SROIE = 60er-Stichprobe; gescort mit der metrics.py des Referenz-Harness.

CLI

g-ocr dokument.png              # JSON (text + box + quad)
g-ocr rechnung.pdf              # PDF -> JSON je Seite (Plugin: g-ocr[pdf])
g-ocr dokument.png --text-only  # nur Text (Lesereihenfolge)

Links

• 🤗 Modell + Card: https://huggingface.co/Keyven/g-ocr
• 🖥️ Demo: https://huggingface.co/spaces/Keyven/GOCR-Demo
• 🌐 https://german-ocr.de

Lizenz

Apache-2.0 — siehe LICENSE und NOTICE.