TeleOCR آپریشن میں

TeleOCR چائنا ٹیلی کام کی Xingchen لیبارٹری کا اوپن سورس دستاویز解析 ماڈل ہے، جو تقریباً 1.2B پیرامیٹرز پر مشتمل ہلکے وژن لینگویج ماڈل کا استعمال کرتا ہے۔ یہ ایک ہی فریم ورک میں ڈیجیٹل دستاویزات اور کیمرے سے لی گئی دستاویزات کو یکجا طور پر پروسیس کرتا ہے، اور متن، لے آؤٹ، ٹیبلز، فارمولوں اور سائنسی چارٹس کو Markdown، JSON جیسے ساخت یافتہ نتائج میں تبدیل کر سکتا ہے۔ TeleOCR نے OmniDocBench v1.6 کی درجہ بندی میں پہلی پوزیشن حاصل کی، PureDocBench میں سرفہرست رہا اور ICDAR-2026 سائنسی چارٹ解析 چیمپئن بنا۔ یہ مقامی GPU تعیناتی کو سپورٹ کرتا ہے اور معاہدوں، تحقیقی مقالوں اور آرکائیوز جیسے ساخت یافتہ استخراج کے منظرناموں کے لیے موزوں ہے۔

متن کی شناخت: دستاویزات میں موجود متنی مواد کو اعلیٰ درستگی کے ساتھ اخذ کرتا ہے، جبکہ ڈیجیٹل دستاویزات کی شناخت کی درستگی 97.22 تک پہنچتی ہے۔
لے آؤٹ کا تجزیہ: صفحے میں متن، ٹیبلز اور فارمولوں جیسے عناصر کے مقام اور درجہ بندی کے تعلقات کا تعین کرتا ہے۔
ٹیبل解析: قطاروں اور کالموں کے پھیلاؤ اور خلیوں کے انضمام والی پیچیدہ ٹیبل ساخت کو درست طور پر بحال کرتا ہے، TEDS 97.05 تک پہنچتا ہے۔
فارمولہ解析: فارمولوں کے معنوی اور نحوی ڈھانچے کا ساخت یافتہ تجزیہ کرتا ہے اور علامتی سطح پر درست بحالی ممکن بناتا ہے، CDM 96.36 تک پہنچتا ہے۔
سائنسی چارٹ解析: چارٹ کے عناصر کی شناخت اور ڈیٹا کا استخراج کرتا ہے، اور تحقیقی مقالوں کے بار چارٹس کو ساخت یافتہ ٹیبلز میں تبدیل کر سکتا ہے (ICDAR-2026 چیمپئن صلاحیت)۔
فوٹوگراف کی گئی دستاویزات کی پروسیسنگ: نقطۂ نظر کی مسخ، صفحے کا مڑنا، سائے اور دھندلا پن جیسی حقیقی تصویری خرابیوں والی دستاویزات کو براہِ راست پروسیس کرتا ہے، الگ سے مسخ دور کرنے والے ماڈل کی ضرورت نہیں ہوتی۔
ساخت یافتہ آؤٹ پٹ: نتائج Markdown، JSON، ٹیبلز اور فارمولوں سمیت مختلف فارمیٹس میں تیار کیے جا سکتے ہیں، جس سے علم کی تلاش اور کاروباری نظاموں میں انضمام آسان ہوتا ہے۔

WeChat پر فالو کریں اور “开源” کا جواب دے کر AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں
متحد وژن لینگویج آرکیٹیکچر: TeleOCR تقریباً 1.2B پیرامیٹرز والے ہلکے وژن لینگویج ماڈل کا استعمال کرتا ہے، ڈیجیٹل دستاویزات اور کیمرے سے لی گئی دستاویزات کو ایک ہی فریم ورک میں رکھ کر لے آؤٹ اور مواد کا اینڈ ٹو اینڈ تجزیہ مکمل کرتا ہے۔ یہ روایتی ”لے آؤٹ شناخت→تصویری اصلاح→شناخت“ کی سلسلہ وار پائپ لائن کی جگہ لیتا ہے اور غلطیوں کے جمع ہونے سے بچاتا ہے۔
جیومیٹری سے باخبر ماڈلنگ: بے قاعدہ صفحاتی شکل بگاڑ کے لیے جیومیٹری سے باخبر ماڈلنگ اور خم کی رہنمائی والی Douglas-Peucker سیمپلنگ متعارف کراتا ہے۔ یہ دستاویز کی حدود اور فضائی ساخت کو واضح طور پر سیکھتا ہے، جس سے ماڈل مڑے ہوئے، تہہ شدہ اور نقطۂ نظر سے مسخ شدہ صفحات کو براہِ راست پروسیس کر سکتا ہے۔
ڈیٹا انجینئرنگ کا مکمل چکر: ڈیٹا نظام تیاری، صفائی، جائزے اور اصلاح کا احاطہ کرتا ہے۔ متعدد نوڈز کی متفقہ ووٹنگ کے ذریعے بلند اعتماد والے فرضی لیبلز منتخب کیے جاتے ہیں؛ جیومیٹری سے باخبر ڈیٹا سنتھیسس میں گردش، مسخ اور خم پر مبنی نمونے بنائے جاتے ہیں؛ تصویر سے تصویر خود تصدیق کے ذریعے解析 نتائج کو دوبارہ رینڈر کر کے موازنہ کیا جاتا ہے تاکہ خودکار اصلاح ہو سکے؛ تدریجی صفائی سے زیادہ یکساں نمونے تربیتی سیٹ میں اور زیادہ اختلاف والے نمونے مشکل مثالوں کی اصلاح میں شامل ہوتے ہیں، یوں ووٹنگ انتخاب—ماڈل خود تربیتی چکر تشکیل پاتا ہے۔
تدریجی چار مرحلوں کی تربیت: تربیت ”وژن لینگویج ہم آہنگی→جیومیٹری سے باخبر دستاویز解析→مواد اور ساخت کی جداگانہ سیکھ→تقویتی سیکھ“ کے مراحل میں آگے بڑھتی ہے، جس کا مقصد بنیادی ادراک سے باریک فہم تک پہنچنا ہے۔ ٹیبل کے کام میں Structure-only کے ذریعے قطار اور کالم کی ساخت کی سمجھ کو مضبوط کیا جاتا ہے، پھر Structure+Content کے ذریعے مشترکہ ہم آہنگی مکمل کی جاتی ہے؛ فارمولوں کے کام میں بھی جداگانہ سیکھ کے ذریعے معنوی اور نحوی تنظیم سیکھی جاتی ہے۔

ماحول کی تیاری: Python 3.10+ انسٹال کریں اور یقینی بنائیں کہ CUDA سپورٹ والا GPU ماحول دستیاب ہو۔
کوڈ حاصل کریں: git clone https://github.com/caipeng328/TeleOCR.git چلائیں اور ڈائریکٹری میں داخل ہوں۔
ماحول بنائیں: conda کے ذریعے teleocr نامی ورچوئل ماحول بنائیں اور اسے فعال کریں۔
انحصارات انسٹال کریں: پروجیکٹ کے انحصارات انسٹال کرنے کے لیے pip install -e . چلائیں۔
ماڈل ڈاؤن لوڈ کریں: pip install modelscope کے بعد modelscope کمانڈ استعمال کر کے وزن مقامی ./models/TeleOCR ڈائریکٹری میں ڈاؤن لوڈ کریں۔
ڈائریکٹری تیار کریں: ان پٹ تصاویر کی ڈائریکٹری IMAGE_SUB_PATH اور نتائج کے آؤٹ پٹ کی ڈائریکٹری RESULT_SAVE_PATH مقرر کریں۔
انفرنس چلائیں: python infer.py چلائیں اور تصویر کا راستہ، نتائج کا راستہ، --use_async، --override، ماڈل کا راستہ اور بیک اینڈ پیرامیٹرز فراہم کریں۔
بیک اینڈ منتخب کریں: عام استعمال کے لیے vllm-engine، جبکہ زیادہ ہم وقت بیچ پروسیسنگ کے لیے vllm-async-engine منتخب کیا جا سکتا ہے۔
لے آؤٹ موڈ مقرر کریں: ڈیجیٹل دستاویزات کے لیے LAYOUT_MODE="Detection"، جبکہ مڑے ہوئے یا خراب فوٹوگراف شدہ صفحات کے لیے "Segmentation" استعمال کریں۔
پیرامیٹرز کو بہتر بنائیں: ضرورت کے مطابق MAX_MODEL_LEN (کانٹیکسٹ کی لمبائی)، GPU_MEMORY_UTILIZATION (ویڈیو میموری کا استعمال)، PDF_TOOLS (PDF بیک اینڈ) اور MAX_PIXELS (فی صفحہ زیادہ سے زیادہ پکسلز) ایڈجسٹ کریں۔
نتائج حاصل کریں: آؤٹ پٹ ڈائریکٹری سے解析 شدہ Markdown/JSON/ٹیبلز جیسے ساخت یافتہ نتائج پڑھیں اور انہیں ڈاؤن اسٹریم نظام میں شامل کریں۔

درجہ بندی میں نمایاں کارکردگی: OmniDocBench v1.6 میں مجموعی اسکور 96.87 کے ساتھ پہلی پوزیشن، اور MinerU2.5-Pro، PaddleOCR-VL-1.6، OvisOCR2 جیسے خصوصی ماڈلز سے بہتر۔
ہلکے پیرامیٹرز: تقریباً 1.2B پیرامیٹرز، جس سے مقامی تعیناتی کی رکاوٹ کم ہوتی ہے اور نجی تعیناتی کے منظرناموں کے لیے موزوں رہتا ہے۔
متحد فریم ورک: ڈیجیٹل دستاویزات اور کیمرے سے لی گئی دستاویزات کو ایک ہی ماڈل میں解析 کیا جاتا ہے، اس لیے مختلف ذرائع کی دستاویزات کے لیے متعدد نظام تعینات کرنے کی ضرورت نہیں۔
پیشگی مسخ دور کرنے کی ضرورت نہیں: جیومیٹری سے باخبر ماڈلنگ مڑے ہوئے، تہہ شدہ اور نقطۂ نظر سے مسخ شدہ صفحات کو براہِ راست پروسیس کرتی ہے، جس سے الگ اصلاحی ماڈیول کی غلطیوں کا جمع ہونا کم ہوتا ہے۔
ساخت یافتہ آؤٹ پٹ: Markdown، JSON، ٹیبلز اور فارمولوں جیسے قابلِ حساب نتائج براہِ راست فراہم کرتا ہے، جس سے علم کی تلاش اور کاروباری خودکاری میں انضمام آسان ہوتا ہے۔
پیچیدہ ٹیبلز میں مضبوط: قطاروں اور کالموں کے پھیلاؤ اور خلیوں کے انضمام والی پیچیدہ ٹیبلز میں قطار اور کالم کا تعلق بگڑتا یا منتقل نہیں ہوتا، TEDS 97.05 تک پہنچتا ہے۔
سائنسی چارٹ解析 میں چیمپئن: چارٹ عناصر کی شناخت اور ڈیٹا کے استخراج کی صلاحیت رکھتا ہے، اور ICDAR-2026 سائنسی چارٹ解析 چیلنج میں چیمپئن بنا۔
موثر ڈیٹا چکر: متعدد نوڈز کی متفقہ ووٹنگ اور خود تصدیقی طریقہ کار کے ذریعے کروڑوں تربیتی ڈیٹا کا ذخیرہ تیار کیا جاتا ہے، اور تیار کردہ زیادہ تر ڈیٹا کے لیے انسانی لیبلنگ درکار نہیں ہوتی۔

GitHub ریپوزٹری: https://github.com/caipeng328/TeleOCR
HuggingFace ماڈل ریپوزٹری: https://www.modelscope.cn/models/XingChen-AGI/TeleOCR
arXiv تکنیکی مقالہ: https://arxiv.org/pdf/2608.12898

معاہدوں اور آرکائیوز کی ڈیجیٹلائزیشن: معاہدوں اور آرکائیوز میں موجود متعدد قطاروں اور کالموں والی ٹیبلز اور لے آؤٹ ساخت کا解析 کر کے انہیں قابلِ تلاش ساخت یافتہ ڈیٹا میں تبدیل کرتا ہے۔
تحقیقی مقالوں کا解析: مقالوں میں موجود فارمولوں، ٹیبلز اور بار چارٹس کا ڈیٹا اخذ کرتا ہے، جس سے ادبی تجزیہ اور علمی ذخیرے کی تعمیر میں مدد ملتی ہے۔
مالی دستاویزات کی پروسیسنگ: انوائسز اور فارم جیسی فوٹوگراف شدہ دستاویزات کی شناخت کرتا ہے، نقطۂ نظر کی مسخ اور دھندلا پن برداشت کرتا ہے، اور کاروباری نظام میں خودکار اندراج کرتا ہے۔
تعلیمی سوالات کا اندراج: امتحانی پرچوں میں موجود مطبوعہ فارمولوں اور ٹیبل والے سوالات کو قابلِ ترمیم فارمیٹ میں تبدیل کرتا ہے، جس سے سوالیہ بینک کی تعمیر اور ذہین جانچ میں مدد ملتی ہے۔
کاروباری رپورٹس کی خودکاری: اسکین شدہ رپورٹس اور کاروباری فارمز کو بیچ کی صورت میں ساخت یافتہ ٹیبلز میں تبدیل کرتا ہے اور ڈیٹا تجزیے اور RPA ورک فلو سے منسلک کرتا ہے۔