如何在30分钟内启动Versatile-OCR-Program：新手必备快速入门教程

【免费下载链接】Versatile-OCR-ProgramMulti-modal OCR pipeline optimized for ML training (text, figure, math, tables, diagrams)项目地址: https://gitcode.com/gh_mirrors/ve/Versatile-OCR-Program

Versatile-OCR-Program是一款专为多模态OCR任务优化的开源工具，尤其擅长处理教育类材料中的文本、公式、图表和表格。本教程将帮助你在30分钟内完成从环境配置到首次OCR处理的全流程，即使是技术新手也能轻松上手。

📋 准备工作：3分钟检查清单

在开始前，请确保你的系统满足以下基本要求：

• 操作系统：Linux (Ubuntu 20.04+ 或类似发行版)
• 硬件配置：至少8GB内存，13GB空闲磁盘空间
• 必备软件：Docker、Python 3.9+
• 网络连接：需要访问互联网以下载依赖和调用API

如果你使用的是Ubuntu/Debian系统，可以通过以下命令快速安装Docker和Python：

# 安装Docker sudo apt-get update && sudo apt-get install -y docker.io # 启动Docker服务 sudo systemctl enable --now docker # 将当前用户加入docker组（避免每次使用sudo） sudo usermod -aG docker $USER && newgrp docker # 安装Python及依赖 sudo apt-get install -y python3 python3-pip

🔄 第一步：获取项目代码（5分钟）

首先克隆项目仓库到本地：

git clone https://gitcode.com/gh_mirrors/ve/Versatile-OCR-Program cd Versatile-OCR-Program

项目结构清晰，主要工作目录包括：

• src/ocr/：OCR核心功能实现
• src/stages/：分阶段处理脚本
• sample_images/：示例图片文件
• 配置文件：config.yaml（全局设置）和auto_run.yaml（批量执行参数）

🔑 第二步：配置API密钥（10分钟）

Versatile-OCR-Program需要以下4个API服务的密钥，请提前准备：

1. OpenAI API（用于文本校正）：从OpenAI平台获取
2. Google Gemini API（用于图表分析）：从Google AI Studio获取
3. MathPix API（用于公式识别）：从MathPix官网获取
4. Google Cloud服务账号（用于Vision OCR和云存储）：从Google Cloud控制台创建

创建.env文件存储这些密钥：

cat > .env <<'EOF' OPENAI_API_KEY=sk-...your_key... GEMINI_API_KEY=AIza...your_key... MATHPIX_APP_ID=your_mathpix_app_id MATHPIX_APP_KEY=your_mathpix_app_key GOOGLE_APPLICATION_CREDENTIALS=/path/to/your/google_credentials.json EOF chmod 600 .env # 保护敏感信息

同时编辑config.yaml文件，更新以下关键配置：

env_file_path: ".env" # 指向你的.env文件 gcs: bucket_name: "your-bucket-name" # 替换为你的GCS桶名称 ocr: language_hints: ["ja", "en", "ko"] # 根据需要调整语言优先级

🏗️ 第三步：构建Docker镜像（10分钟）

Stage 1处理需要在Docker容器中运行，执行以下命令构建镜像：

python src/ocr/docker_build.py

构建过程会自动下载所需的依赖和模型，首次构建可能需要较长时间（约10-15分钟），但后续构建会利用缓存加速。

🚀 第四步：运行OCR处理（2分钟）

准备测试文件

将测试PDF文件放入src/input/目录：

mkdir -p src/input cp /path/to/your/test.pdf src/input/

执行Stage 1（布局检测和初始OCR）

python auto_run_stage1.py --config auto_run.yaml

执行Stage 2（LLM文本校正）

python auto_run_stage2.py --config auto_run.yaml

📊 查看OCR结果

处理完成后，结果会保存在Google Cloud Storage中，路径格式为：gs://your-bucket/stage_2/{文件相对路径}/page_XXX.json

你可以使用gsutil工具下载结果：

gsutil cp gs://your-bucket/stage_2/test.pdf/page_001.json ./result.json

🔍 OCR效果展示

以下是使用Versatile-OCR-Program处理数学和生物教材的效果对比：

数学公式识别

原始图片：

OCR处理结果：

生物图表识别

原始图片：

OCR处理结果：

❓ 常见问题解决

Docker权限问题

如果遇到permission denied错误，请确保当前用户已加入docker组：

sudo usermod -aG docker $USER newgrp docker # 无需注销即可立即生效

API密钥错误

如果出现API相关错误，请检查.env文件中的密钥是否正确，并确保所有服务都已启用计费（免费额度可能不足以完成处理）。

处理速度慢

• 对于大型PDF，建议分批次处理
• 可以通过修改auto_run.yaml中的parallel_workers参数调整并行处理数量

📚 进阶资源

• 详细配置指南：setup_guide.md
• 使用说明：usage.md
• 提示词定制：prompts/目录下的chatgpt_stage2.md、gemini_figure.txt和gemini_table.txt文件

通过本教程，你已经成功启动并运行了Versatile-OCR-Program。这个强大的工具可以帮助你高效处理各种复杂的OCR任务，无论是学术研究、教育材料数字化还是机器学习训练数据准备。开始探索吧！

【免费下载链接】Versatile-OCR-ProgramMulti-modal OCR pipeline optimized for ML training (text, figure, math, tables, diagrams)项目地址: https://gitcode.com/gh_mirrors/ve/Versatile-OCR-Program