9148c358d0
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
6.3 KiB
6.3 KiB
id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, verification_status, tags, raw_sources, last_reinforced, github_commit, tech_stack
| id | title | category | status | canonical_id | aliases | duplicate_of | source_trust_level | confidence_score | verification_status | tags | raw_sources | last_reinforced | github_commit | tech_stack | |||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| wiki-2026-0508-optical-character-recognition | Optical Character Recognition | 10_Wiki/Topics | verified | self |
|
none | A | 0.9 | applied |
|
2026-05-10 | pending |
|
Optical Character Recognition
한 줄
이미지·스캔·PDF에서 텍스트를 추출하는 기술 — 전통 CRNN 파이프라인부터 modern Donut/TrOCR/Surya 및 VLM 직접 추출까지.
핵심
- Pipeline: detection (DBNet/CRAFT) → recognition (CRNN/Transformer) → post-process(NMS, layout).
- Engines:
- Tesseract (오래됨, 다국어, 무료, 정밀도 낮음)
- EasyOCR (PyTorch, 80+ 언어)
- PaddleOCR (강력, 중국어/한국어 우수)
- Surya (modern multilingual, layout)
- TrOCR (HF, 단어/라인 인식)
- Donut (OCR-free document understanding)
- VLM-OCR: GPT-5 Vision, Claude Sonnet 4.7, Qwen2.5-VL — 복잡 양식·표·손글씨에서 강함.
- Layout: LayoutLMv3, DocFormer, Nougat(논문).
- 평가: CER(Character Error Rate), WER, F1 on key fields.
💻 패턴
# 1. Tesseract — 빠른 baseline
# brew install tesseract tesseract-lang
import pytesseract
from PIL import Image
img = Image.open("invoice.png")
text = pytesseract.image_to_string(img, lang="eng+kor")
data = pytesseract.image_to_data(img, output_type=pytesseract.Output.DICT)
# data 안에 (text, conf, left, top, width, height) 포함
# 2. EasyOCR — Python-only 다국어
# pip install easyocr
import easyocr
reader = easyocr.Reader(["en", "ko"])
results = reader.readtext("receipt.jpg", detail=1)
for box, text, conf in results:
print(f"{conf:.2f}: {text}")
# 3. PaddleOCR — 강력한 한·중·영
# pip install paddleocr paddlepaddle
from paddleocr import PaddleOCR
ocr = PaddleOCR(use_angle_cls=True, lang="korean", show_log=False)
res = ocr.ocr("doc.png", cls=True)
for line in res[0]:
box, (txt, conf) = line
print(txt, conf)
# 4. Surya — modern, layout + reading order
# pip install surya-ocr
from surya.ocr import run_ocr
from surya.model.detection.model import load_model as det_model, load_processor as det_proc
from surya.model.recognition.model import load_model as rec_model
from surya.model.recognition.processor import load_processor as rec_proc
from PIL import Image
img = Image.open("page.png")
preds = run_ocr([img], [["ko", "en"]],
det_model(), det_proc(),
rec_model(), rec_proc())
for line in preds[0].text_lines:
print(line.text, line.confidence)
# 5. TrOCR (HuggingFace) — 라인 단위
from transformers import TrOCRProcessor, VisionEncoderDecoderModel
from PIL import Image
proc = TrOCRProcessor.from_pretrained("microsoft/trocr-large-printed")
model = VisionEncoderDecoderModel.from_pretrained("microsoft/trocr-large-printed")
img = Image.open("line.png").convert("RGB")
pix = proc(img, return_tensors="pt").pixel_values
ids = model.generate(pix)
print(proc.batch_decode(ids, skip_special_tokens=True)[0])
# 6. Donut — OCR-free document QA / parsing
from transformers import DonutProcessor, VisionEncoderDecoderModel
import torch
proc = DonutProcessor.from_pretrained("naver-clova-ix/donut-base-finetuned-cord-v2")
model = VisionEncoderDecoderModel.from_pretrained("naver-clova-ix/donut-base-finetuned-cord-v2")
prompt = "<s_cord-v2>"
ids = proc.tokenizer(prompt, add_special_tokens=False, return_tensors="pt").input_ids
pix = proc(Image.open("receipt.png").convert("RGB"), return_tensors="pt").pixel_values
out = model.generate(pix, decoder_input_ids=ids, max_length=512)
print(proc.token2json(proc.batch_decode(out)[0]))
# {"menu":[...], "total":...} 직접 JSON 출력
# 7. VLM 직접 OCR (Claude Vision)
import anthropic, base64
img_b64 = base64.b64encode(open("scan.png", "rb").read()).decode()
client = anthropic.Anthropic()
resp = client.messages.create(
model="claude-sonnet-4-7",
max_tokens=2048,
messages=[{"role": "user", "content": [
{"type": "image", "source": {"type": "base64",
"media_type": "image/png", "data": img_b64}},
{"type": "text", "text":
"Extract all text. Output JSON with fields: title, date, line_items[{name, qty, price}], total."},
]}],
)
print(resp.content[0].text)
# 8. PDF → 텍스트 (pdfplumber + OCR fallback)
import pdfplumber, pytesseract
from pdf2image import convert_from_path
def pdf_to_text(path):
out = []
with pdfplumber.open(path) as pdf:
for i, page in enumerate(pdf.pages):
t = page.extract_text() or ""
if len(t.strip()) < 20: # scanned page → OCR
img = convert_from_path(path, first_page=i+1, last_page=i+1)[0]
t = pytesseract.image_to_string(img)
out.append(t)
return "\n\n".join(out)
결정 기준
| 상황 | 추천 |
|---|---|
| 빠른 prototype, 인쇄 영문 | Tesseract |
| 다국어 일반 | PaddleOCR / EasyOCR |
| 한국어 정밀 | PaddleOCR(ko) / Surya |
| 현대 다국어 + layout | Surya |
| 라인 단위 정밀 | TrOCR |
| 영수증·송장·양식 → 구조 JSON | Donut / VLM |
| 복잡 표·손글씨 | Claude Sonnet / GPT-5 Vision |
| 학술 PDF (수식) | Nougat |
| 디지털 PDF | pdfplumber, OCR fallback |
🔗 Graph
- Related:
[[Document-AI]],,,,,,
🤖 LLM 활용
- VLM은 OCR + reasoning 동시 수행 (영수증 → 항목별 카테고리 자동 분류).
- 전통 OCR + LLM 후처리: 오타·줄바꿈 normalize, 누락 필드 추론.
❌ 안티패턴
- 저화질 이미지를 그대로 입력 (전처리 필수: deskew, binarize, dpi≥300).
- Tesseract만 믿고 한국어 받침 깨진 채 배포.
- VLM에 큰 PDF를 한 번에 — chunk per page.
- confidence threshold 무시하고 raw text 사용.
🧪 검증
- Ground truth와 CER/WER 측정.
- Field-level F1 (date/total/total_tax 등 critical 필드).
- 다양한 폰트·해상도·회전 sample suite 유지.
🕓 Changelog
- 2026-05-08 Phase 1: 초안.
- 2026-05-10 Manual cleanup: 8 패턴, Surya/Donut/VLM 추가.