نقطة: قراءة النص العربي من الصور وملفات PDF

نقطة نموذج مفتوح المصدر يستخرج النص العربي من صور الصفحات والمستندات الممسوحة وملفات PDF، فتحصل على نص يمكنك نسخه والبحث فيه. ويكتب التشكيل كما ورد في الصفحة، ولا يضيف حركات من عنده. وقد حقق نموذجاه أعلى النتائج المنشورة في اختباري KITAB-Bench وMisraj-DocOCR، ويعمل الصغير منهما على الهاتف دون إنترنت.

جرّبه في المتصفحالمقارنةGitHub

ناتج نموذج نقطة 4B كما هو، دون تعديل

مُغَامَرَاتُ السِّنْجَابِ ثرثار فَتَسَلَّقَ الشَّجَرَةَ وَتَبِعَهُ شادو. وَكَانَ تَرْكِيزُ شادو مُنْصَبًّا عَلَى الْإِيقَاعِ بِثرثار؛ حَتَّى إِنَّهُ لَمْ يَلْحَظْ وُجُودَ الْعَجُوزِ أَحْمَرِ الذَّيْلِ، وَهُوَ مَا أَمَّلَهُ ثرثار. فَرَاحَ ثرثار يَصْعَدُ لِأَعْلَى، مُتَخَطِّيًا أَحْمَرَ الذَّيْلِ، إِلَّا أَنَّهُ شَدَّ رِيشَةً مِنْ رِيشِ ذَيْلِهِ الطَّوِيلِ أَثْنَاءَ مُرُورِهِ، ثُمَّ رَكَضَ إِلَى أَعْلَى الشَّجَرَةِ، وَاسْتَجْمَعَ آخِرَ طَاقَتِهِ لِيَثِبَ إِلَى شَجَرَةِ تَنُّوبٍ قَرِيبَةٍ؛ …

ما يقرؤه نقطة

• الكتب والمستندات الممسوحةيقرأ الصفحة بترتيبها الصحيح، من الكتب المطبوعة إلى الوثائق القديمة.
• ملفات PDFيقرأ صفحات الملف كلها، ويحتفظ بالعناوين والقوائم والجداول.
• التشكيلالنص المشكول يبقى مشكولًا، وغير المشكول يبقى بلا حركات.
• الجداولالعربية والإنجليزية، بترتيب أعمدتها كما في الأصل.
• الهويات وجوازات السفريقرأ منطقة MRZ ويتحقق من أرقام التدقيق فيها.
• على جهازكيعمل على خوادمك أو حاسوبك أو هاتفك، فلا تغادر مستنداتك أجهزتك.

طريقة الاستخدام

pip install "nuqta-ocr[vllm]"   # Linux + NVIDIA GPU, fastest
pip install "nuqta-ocr[fast]"   # transformers with fast kernels
pip install nuqta-ocr           # transformers only

from nuqta import OCR

if __name__ == "__main__":
    ocr = OCR("nuqta-4b")          # or "nuqta-0.8b" for small GPUs
    print(ocr.read("page.jpg").text)                     # tashkeel only where printed
    print(ocr.read("scan.pdf", mode="markdown").text)    # headings, lists, HTML tables
    print(ocr.read("passport.jpg", mode="id").fields)    # MRZ fields with check digits

أسئلة شائعة