Convertir des documents PDF pour l'IA
Développé par AllenAI, olmocr est une boîte à outils qui convertit les documents PDF en formats texte adaptés aux grands modèles de langage. Ce logiciel facilite les processus de préparation des ensembles de données en fournissant un traitement linéaire de structures de documents complexes.
Mises à jour
- 2 août 2026: Étoiles 18,418 → 19,259, dernière version v0.4.27 (12 mars 2026).
Ce que ça vous apporte
- Convertit les formats PDF et image pour nettoyer le texte Markdown
- Traite les équations, les tableaux et les mises en page complexes dans le bon ordre de lecture
- Efface automatiquement les informations d’en-tête et de pied de page
Installation
sudo apt-get update
sudo apt-get install poppler-utils ttf-mscorefonts-installer msttcorefonts fonts-crosextra-caladea fonts-crosextra-carlito gsfonts lcdf-typetoolsconda create -n olmocr python=3.11
conda activate olmocrSi vous ne codez pas
Je souhaite convertir les documents PDF dont je dispose dans un format Markdown propre que les modèles d'intelligence artificielle peuvent facilement lire. Pouvez-vous m'expliquer étape par étape les étapes d'installation nécessaires à ce processus et la méthode pour l'exécuter sur le GPU local ?
Dépôt : https://github.com/allenai/olmocr. Base-toi sur les instructions officielles du fichier README de ce dépôt pour l'installation et l'exécution.
Avant de commencer, vérifie quel système d'exploitation nous utilisons et si les outils nécessaires (ex: Python, Node.js, Git, Docker) sont installés. Installe ceux qui manquent étape par étape selon ce système.
Crée un nouveau dossier vide pour travailler. Ne touche pas aux fichiers en dehors de ce dossier et ne supprime rien. Avant chaque commande, décris ce que tu vas faire en une phrase.
Dis-moi ce que je devrais voir à l'écran à la fin de chaque étape. Si une erreur survient, je te copierai le message d'erreur tel quel et nous la corrigerons ensemble.
Termes liés du glossaire
Liens
TreScout n'a pas développé cet outil · nous l'avons repéré dans les tendances GitHub et présenté. Cette page décrit le dépôt tel qu'il était le 2026-07-02 : Le nombre d'étoiles et notre texte datent de ce jour, le dépôt a pu changer depuis. Consultez le lien du dépôt pour l'état actuel. Le texte de présentation a été préparé avec l’IA à partir de la propre documentation du dépôt et cette page a été traduite automatiquement depuis l’original turc · la version turque fait foi.