Oracle Cloud（OCI）で各種OCRを試して、結果を比較してみた。

はじめに

本記事では、OCI上で利用可能な以下3種類のOCR機能（LLM含む）による文字認識精度を比較します。

• OCI Document Understanding
• Yomitoku
• OCI Generative AI（xai.grok-4）

OCR（Optical Character Recognition）は、活字や手書き文字を画像から読み取り、コンピューターが扱えるテキストデータに変換する技術です。これにより、スキャンした書類や画像ファイルに含まれる文字を、検索・編集・コピー＆ペーストができるようになります。

OCI Document Understanding

OCIのDocument Understandingサービスは、PaaS機能として提供されています。

Oracle Cloud Infrastructure (OCI) Document Understandingは、APIやコマンド行インタフェースツールを通じて、ドキュメント・ファイルからテキスト、表、その他の重要なデータを抽出できるAIサービスです。OCI Document Understandingを利用することで、事前に構築されたAIモデルで面倒なビジネス上の処理を自動化し、業界固有のニーズに合わせてドキュメント抽出をカスタマイズできます。

• アナリティクスとAIからドキュメントの理解を選択します。

• テキストの抽出を選択します。

• ドキュメント・ソースにローカル・ファイルを選択し、コンパートメントとBucketとPrefixを指定してSubmitします。

• 適当なPDFファイルなどをドラッグ＆ドロップすると、ドキュメントのプレビューが下部に表示されます。

• Analyzeをクリックすると、右側に結果とJSONレスポンスなどが表示されます。

• オーバーライドから言語をJapaneseに変更して、オーバーライドします。

日本語対応済みです！

Yomitoku

YomitokuはOCI ComputeやOCI Data Scienceにデプロイすることで、OCI上で利用することが可能です。
今回は、OCI Data Science上のNotebookから利用します。

YomiToku は日本語に特化した AI 文章画像解析エンジン(Document AI)です。画像内の文字の全文 OCR およびレイアウト解析機能を有しており、画像内の文字情報や図表を認識、抽出、変換します。

以下のライセンスポリシーにはご注意ください。

本リポジトリ内に格納されているソースコードおよび本プロジェクトに関連する HuggingFaceHub 上のモデルの重みファイルのライセンスは CC BY-NC-SA 4.0 に従います。 非商用での個人利用、研究目的での利用はご自由にお使いください。 商用目的での利用に関しては、別途、商用ライセンスを提供しますので、https://www.mlism.com/ にお問い合わせください。

• アナリティクスとAIからデータ・サイエンスを選択します。

• プロジェクトの作成からプロジェクトを作成します。

• 作成したプロジェクトを開きます。
• ノートブック・セッションの作成を選択します。

• コンパートメント、コンピュート・シェイプなどを指定し、ノートブック・セッションを作成します。

今回は、VM.Standard .E5.Flex（AMDのシェイプ）を指定しました。

• ステータスがCREATINGからACTIVEに変わったら、開くでノートブック・セッションを開きます。

• ノートブック・セッションが開いたら、Python 3 Kernelを選択します。

• Yomitokuをインストールします。

pytorch はご自身の CUDA のバージョンにあったものをインストールしてください。
デフォルトでは CUDA12.4 以上に対応したものがインストールされます。

pip install yomitoku

• インストールが終わったら、KernelをRestartします。

• そのままYomitokuを実行すると、ライブラリが不足しているので、以下コマンドでライブラリを追加します。

!sudo dnf install -y mesa-libGL

以下は、ライブラリ不足のエラー。

• OCRを実行したい対象のPDFを左側のディレクトリにドラッグ＆ドロップでアップロードします。

• 通常モデルでの推論を以下コマンドで実行します。

${path_data}の部分は実際のパスに変更してください。

!yomitoku ${path_data} -f md -o results -v --figure

resultsディレクトリ下にマークダウン形式と画像形式で結果が出力されます。

• _layout.jpg
• _ocr.jpg
• .md

OCI Generative AI（xai.grok-4）

Oracle Cloud Infrastructure (OCI) の生成AIは、文章作成支援、要約、分析、チャットなど、幅広いユースケースにこれらの多様な言語モデルをシームレスに統合するフルマネージド・サービスです。

OCI上で利用可能なxAIのLLMモデル（xai.grok-4）を利用し、アップロードしたJPEG内の表のテーブル変換を実行します。

• アナリティクスとAIから生成AIを選択します。

• プレイグラウンドのチャットを選択します。

• Modelをxai.grok-4に変更します。

• イメージのアップロードからJPEG画像をアップロードします。

• 以下のように生成AIへの依頼内容を入力し、送信をします。

添付の画像内の表をテーブル形式にしてください。

まとめ

本記事では、OCI上で利用可能な以下3種類のOCR機能（LLM含む）による文字認識精度を比較しました。

• OCI Document Understanding
• Yomitoku
• OCI Generative AI（xai.grok-4）

以下は、結果のまとめです。

OCI Document Understanding	Yomitoku	OCI Generative AI（xai.grok-4）

アプリケーションから利用する場合は、以下アーキテクチャのイメージで、OCI FunctionsからAPIを呼び出すことで、利用可能です。