pdfや画像を文字認識したいのでPaddleOCRというOCRソフトを入れた。
https://github.com/PaddlePaddle/PaddleOCR/tree/release/2.7

動作環境(2023/12/02)

まともなGPUがないノートパソコン
WSL2 Ubuntu 22.04
python 3.10.12
venvで作成した仮想環境上にインストール

インストール手順

公式インストール手順ページ（中国語）
https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/doc_ch/quickstart.md

paddlepaddleをインストール。これがベースらしい。

python3 -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

GPUを使わないpaddleocrをインストール。

pip install "paddleocr>=2.0.1"

早速使用してみる。`--image_dir <ファイル>`で文字認識したいpdfや画像、`--use_gpu false`でGPUを使用しないこと、`--lang japan`で日本語認識を設定する。

paddleocr --image_dir test.png --use_gpu false --lang japan

初めて使用する文字認識モデルはインターネットでダウンロードされ、`~/.paddleocr/whl`以下に保存されるようだ。

PaddleOCRの仕組み

中国語は読めないが、最新バージョンの解説ページが中国語版しか見つからないのでGoogle翻訳で読んだ。中国語→日本語翻訳は分かりづらい部分が多いので、古い英語版解説も読んだ。

PP-OCRv4(最新バージョン)解説ページ（中国語）
https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/doc_ch/PP-OCRv4_introduction.md

PP-OCR解説ページ（英語）
https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/doc_en/ppocr_introduction_en.md

テキスト検出(Detection)→テキスト認識(Recognition)の2段階で処理している。

テキスト検出モデルは`~/.paddleocr/whl/det`、テキスト認識モデルは`~/.paddleocr/whl/rec`以下にダウンロードされる。