GOCR — schnelle, kleine deutsche OCR-/Vision-Schicht (CPU)
GOCR liest ein ganzes Dokument zu Text + Position (bbox) als strukturiertes JSON —
schnell, ~30 MB, reine CPU (kein GPU).
Gedacht als Vision-/OCR-Schicht für (text-only) LLM-Pipelines und als Tooling:
präzise Layout-Boxen + Text rein → dein LLM macht Verständnis/Extraktion.
🧱 Fraktur-robust (3× genauer als EasyOCR, s. u.) · on-prem / DSGVO-freundlich
🤖 LLM-ready: sauberes JSON (text + box + quad) als Input für text-only LLMs
🗂️ Bilder + PDF: png/jpg/webp/tiff/bmp … und PDF (bis ~500 Seiten) — ein API-Aufruf, JSON je Seite
Benchmarks (deutsche Eval-Sets, CPU)
KSVTRv3-de — deutscher Recognizer, eigene deutsche Eval-Sets (NED ↑ = Zeichen-Ähnlichkeit, höher = besser):
Set
NED ↑
~CER
Modernes Deutsch (clean)
0,91
~9 %
Degradierte Scans (Augraphy)
0,85
~15 %
Fraktur (NewsEye, real)
0,74
~26 %
Einordnung: KSVTRv3-de ist ein deutscher Spezialist — robust auf echten/verrauschten Scans und Fraktur (Realismus-Training mit Augraphy). Trainiert auf deutschen Korpora (Leipzig) + Domänenfeldern (Rechnung/IBAN/USt-IdNr) + 2642 Dokument-Fonts. Auf sauberem modernem Deutsch sind dedizierte Engines (z. B. Tesseract) bei reiner Zeichengenauigkeit teils vorn; GOCRs Stärke ist die robuste, on-prem, integrierte Dokument→JSON-Schicht (CPU, klein, LLM-ready).
JSON-Schema
json
1{2"engine":"GOCR","version":"0.2.0",3"image":{"width":1414,"height":2000},4"text":"…Volltext in Lesereihenfolge…",5"n_regions":50,6"regions":[7{"id":0,"text":"Rechnungsnummer","score":0.99,8"box":[217,723,465,752],"quad":[[217,723],[465,723],[465,752],[217,752]]}9]10}
Nutzung
bash
1g-ocr dokument.png # JSON (Text + box + quad)2g-ocr dokument.png --text-only # nur Text (Lesereihenfolge)
Architektur
Zwei Stufen, reines ONNX/CPU: GOCR-Detektor (DB-basiert) + KSVTRv3-de-Recognizer (SVTR-Encoder + CTC, deutscher Charset).
GOCR Architektur
So entsteht der deutsche Recognizer (Daten-Foundation → Training → Deploy):
GOCR Training-Pipeline
Limitationen
Fokus ist die Layout-+-Text-Schicht für Pipelines, nicht der Spitzenwert bei reiner Modern-DE-Texterkennung.
Wort-Spacing: Wortgrenzen sind nicht immer korrekt (schwächeres Bag-of-Words) — Zeichengenauigkeit (CER) ist davon kaum betroffen.
Sehr kleine/verrauschte Schrift + extreme Layouts können Detektion/Erkennung erschweren.
Reine OCR — kein Sprachverständnis (das macht das nachgelagerte LLM).
Credits & Upstream
GOCR baut auf hervorragender Open-Source-Arbeit auf (jeweils Apache-2.0):
Beide stehen unter Apache-2.0; die Lizenz- und Urheberhinweise gelten fort (siehe NOTICE).
Aktuelles Modell: Der Recognizer ist KSVTRv3-de (deutscher Charset, 144 Zeichen), via Transfer-Learning vom OpenOCR-Encoder auf deutschen Korpora + Domänendaten + Scan-Realismus (Augraphy) trainiert.
