occular-ocr 0.2.0__py3-none-any.whl

occular_ocr-0.2.0.dist-info/METADATA

@@ -0,0 +1,575 @@
+Metadata-Version: 2.4
+Name: occular-ocr
+Version: 0.2.0
+Summary: State-of-the-art OCR for Russian documents, with a zero-compilation install.
+License: Apache-2.0
+Classifier: License :: OSI Approved :: Apache Software License
+Classifier: Programming Language :: Python :: 3
+Classifier: Topic :: Scientific/Engineering :: Image Recognition
+Classifier: Operating System :: OS Independent
+Requires-Python: >=3.8
+Description-Content-Type: text/markdown
+License-File: LICENSE
+Requires-Dist: numpy
+Requires-Dist: opencv-python
+Requires-Dist: Pillow
+Requires-Dist: pyclipper
+Requires-Dist: shapely
+Requires-Dist: onnxruntime
+Requires-Dist: pymupdf
+Requires-Dist: huggingface_hub
+Requires-Dist: pyctcdecode
+Provides-Extra: gpu
+Requires-Dist: onnxruntime-gpu; extra == "gpu"
+Dynamic: classifier
+Dynamic: description
+Dynamic: description-content-type
+Dynamic: license
+Dynamic: license-file
+Dynamic: provides-extra
+Dynamic: requires-dist
+Dynamic: requires-python
+Dynamic: summary
+
+<div align="center">
+
+# Occular-OCR
+
+**State-of-the-art OCR for Russian documents — with a zero-compilation install.**
+
+[![Code License: Apache 2.0](https://img.shields.io/badge/Code-Apache%202.0-2f5ff0.svg)](LICENSE)
+[![Weights: OpenRAIL-M](https://img.shields.io/badge/Weights-AI%20Pubs%20OpenRAIL--M-e0533a.svg)](WEIGHTS_LICENSE.md)
+[![Python 3.8+](https://img.shields.io/badge/python-3.8%2B-16181d.svg)](#installation)
+[![pip install — no compiler](https://img.shields.io/badge/install-pure%20pip%20·%20no%20compiler-0f9d58.svg)](#installation)
+
+<sub>🇬🇧 **English** &nbsp;·&nbsp; <a href="#russian">🇷🇺 Русский</a></sub>
+
+</div>
+
+Occular-OCR is a document OCR library purpose-built for **Russian**. It pairs a DBNet text detector with an
+SVTR recognizer and a beam-search decoder guided by a Russian language model — and reads Russian
+documents **markedly better than existing open-source OCR**, especially the hard stuff: forms,
+certificates, bank statements, IDs, receipts.
+
+It installs with a single `pip install` on Windows, Linux and macOS — **no C/C++ toolchain, no CUDA,
+nothing to build.**
+
+---
+
+## See it in action
+
+<p align="center">
+  <img src="assets/demo_passport.png" width="24%" alt="Detected lines on a specimen passport">
+  <img src="assets/demo_2ndfl.png"    width="24%" alt="Detected lines on a synthetic income certificate">
+  <img src="assets/demo_book.png"     width="24%" alt="Detected lines on a printed book page">
+</p>
+<p align="center">
+  <img src="assets/demo_schet.png"    width="37%" alt="Detected lines on a synthetic VAT invoice">
+  <img src="assets/demo_invoice.png"  width="37%" alt="Detected lines on a synthetic payment invoice">
+</p>
+
+<p align="center"><sub>Detected text lines on <b>synthetic / specimen / public-domain</b> documents — a passport, a tax certificate, a printed book page, a VAT invoice, a payment invoice.</sub></p>
+
+## Why Occular-OCR
+
+Occular-OCR is built for Russian and reads it dramatically better than existing open-source OCR:
+**~35 % fewer word errors than the next-best open-source engine** in an end-to-end benchmark, and
+ranking **#1** against large vision-language models and other leading OCR engines on a page-level
+document benchmark. The gap is widest exactly where general-purpose OCR struggles: dense forms,
+certificates, invoices and IDs.
+
+- **Russian-first accuracy.** Trained and tuned on Russian document data. Where other engines guess,
+  Occular-OCR reads.
+- **Beam + language model, on by default.** A Russian n-gram language model cuts word errors
+  ~18–25 % over plain greedy decoding — with **no model retraining**, just better decoding.
+- **Installs anywhere, no compiler.** The decoder is pure Python end to end, so you get top-tier
+  decoding quality with **zero native dependencies**.
+- **CPU-first, GPU-ready.** Ships as ONNX and runs on CPU out of the box; set `gpu=True` to run the same models on CUDA via ONNX Runtime (`onnxruntime-gpu`).
+- **Batteries included.** Images and PDF, folder → `.txt`, reading order, automatic deskew.
+
+---
+
+## Installation
+
+```bash
+pip install occular-ocr
+```
+
+That's it. No build tools, no CUDA. Model weights download automatically on first use and are cached
+locally.
+
+### GPU (optional)
+
+GPU runs the **same ONNX models on CUDA** through ONNX Runtime's `CUDAExecutionProvider` — there are
+no separate GPU weights. You only need the GPU runtime:
+
+```bash
+pip install occular-ocr[gpu]      # pulls in onnxruntime-gpu
+# equivalent to:  pip install occular-ocr onnxruntime-gpu
+```
+
+Then pass `gpu=True` (see below). If CUDA isn't available it falls back to CPU with a warning.
+
+---
+
+## Quick start
+
+```python
+from ocr_skel import ocr
+
+text = ocr("document.png")        # an image, or a "scan.pdf"
+print(text)
+```
+
+Line-level output with coordinates and confidence:
+
+```python
+from ocr_skel import ocr_detailed
+
+for line in ocr_detailed("document.png"):
+    print(line["text"], round(line["confidence"], 2), line["quad"])
+```
+
+A whole folder → text files, from the command line:
+
+```bash
+python -m ocr_skel.cli  ./scans  ./out
+```
+
+> First run downloads the model weights automatically (and caches them). No build tools, no CUDA.
+
+## Configuration
+
+All behaviour is controlled by `Settings` (or the equivalent keyword arguments on `ocr`). Print the
+current defaults at any time:
+
+```python
+from ocr_skel import Settings
+print(Settings())
+```
+
+| Setting | Default | What it does |
+|---|---|---|
+| `num_threads` | `None` | CPU threads for inference. `None` → `min(cores, 4)`. |
+| `gpu` | `False` | Run the ONNX models on **GPU via ONNX Runtime (CUDA)**. Needs `onnxruntime-gpu` (`pip install occular-ocr[gpu]`); falls back to CPU if unavailable. |
+| `deskew` | `True` | Auto-correct skewed / rotated scans before detection. |
+| `lm` | `True` | Beam search + language model (best quality). `False` → fast greedy decoding, skips the LM download. |
+| `reading_order` | `False` | Order lines for multi-column layouts (downloads a small model on first use). |
+| `detector` | `None` | Explicit detector name. `None` → default. |
+| `recognizer` | `None` | Explicit recognizer name. `None` → default. |
+
+### Full pipeline with every setting
+
+```python
+from ocr_skel import OCRPipeline, Settings
+
+pipe = OCRPipeline(Settings(
+    num_threads=8,        # CPU threads (None -> min(cores, 4))
+    gpu=False,            # True -> ONNX Runtime CUDA (needs occular-ocr[gpu])
+    deskew=True,          # auto-correct skewed scans
+    lm=True,              # beam + language model; False -> greedy (faster, no LM download)
+    reading_order=False,  # multi-column reading order (optional model, see below)
+    detector=None,        # None = default detector
+    recognizer=None,      # None = default recognizer
+))
+
+result = pipe.process_image("document.png")
+# -> [{"quad": [[x, y], ...], "text": "...", "confidence": 0.97}, ...]
+```
+
+### PDF: render DPI and parallel workers
+
+```python
+pages = pipe.process_pdf(
+    "document.pdf",
+    dpi=300,          # render resolution for scanned PDFs (default 300)
+    force_ocr=False,  # True: OCR even PDFs that already have a text layer
+    workers=4,        # parallel pages (None = auto min(cores, 4); 1 = sequential)
+)
+```
+
+| PDF option | Default | What it does |
+|---|---|---|
+| `dpi` | `300` | Render resolution for scanned PDFs. Lower to `200` for speed on large batches. |
+| `force_ocr` | `False` | OCR even PDFs that already contain a text layer. |
+| `workers` | `None` | Parallel pages. `None` → auto `min(cores, 4)`; `1` → sequential. |
+
+### One-liners
+
+```python
+from ocr_skel import ocr
+
+ocr("document.png")                 # CPU (default), full quality
+ocr("document.png", gpu=True)       # GPU via ONNX Runtime CUDA (needs onnxruntime-gpu)
+ocr("document.png", lm=False)       # fast greedy mode, no LM download
+ocr("document.png", deskew=False)   # skip deskew
+ocr("document.png", num_threads=2)  # limit CPU threads
+```
+
+### Command line
+
+```bash
+python -m ocr_skel.cli  ./scans  ./out  --workers 4  --dpi 300
+```
+
+| Flag | Default | What it does |
+|---|---|---|
+| `--gpu` | off | Run on GPU via ONNX Runtime CUDA (needs onnxruntime-gpu). |
+| `--dpi N` | `300` | PDF render resolution. |
+| `--force-ocr` | off | OCR even vector PDFs. |
+| `--workers N` | auto | Parallel workers. |
+| `--out FILE` | — | Save structured results to a JSON file. |
+
+### Optional: reading order for multi-column pages
+
+Off by default. The model downloads once from the Hub.
+
+```python
+from ocr_skel import download_reading_order, OCRPipeline, Settings, model_info
+
+download_reading_order()                       # one-time download
+pipe = OCRPipeline(Settings(reading_order=True))
+
+model_info()                                   # show which weights are present locally
+```
+
+> 📓 Everything above is also in a runnable notebook: **[`examples.ipynb`](examples.ipynb)**.
+
+---
+
+## How it works
+
+```
+image ─▶ deskew ─▶ DBNet detector ─▶ crops ─▶ SVTR recognizer ─▶ beam + n-gram LM ─▶ text
+```
+
+The recognizer is a compact SVTR + CTC model exported to ONNX; the decoder is a CTC prefix beam search guided by a 4-gram
+Russian language model. The entire decoding stack — language model and beam search alike — is
+**pure Python**, which is what keeps `pip install` friction-free on every platform.
+
+---
+
+## Models & weights
+
+Weights are fetched automatically on first use and cached:
+
+| Component | What it does |
+|---|---|
+| DBNet text detector | finds text lines on the page |
+| SVTR recognizer | reads text inside each line |
+| Language model | rescoring for the beam decoder |
+| Reading-order model *(optional)* | orders lines for multi-column layouts |
+
+Inspect what's present locally:
+
+```python
+from ocr_skel import model_info
+model_info()
+```
+
+---
+
+## Benchmarks & methodology
+
+Numbers above are **end-to-end** (detection **and** recognition on full pages), matched to
+line-level ground truth by IoU, scored with word/character error rate. The Russian benchmark spans
+30 document domains (bank, receipts, diplomas, certificates, IDs, court decisions, price tags,
+newspapers, and more), ~15 pages each.
+
+> **Note on ground truth.** Reference transcriptions come from a strong reference OCR system.
+> Occular-OCR is tuned toward that transcription style, which favours it against third-party
+> engines; the margin on Russian forms nonetheless exceeds what that bias alone explains.
+
+---
+
+## Licensing
+
+- **Code — Apache License 2.0.** See [`LICENSE`](LICENSE).
+- **Model weights — Modified AI Pubs OpenRAIL-M.** See [`WEIGHTS_LICENSE.md`](WEIGHTS_LICENSE.md).
+  **Free** for individuals, researchers, the self-employed, non-profits, and small organizations
+  (under **20 000 000 ₽** annual revenue **and** fewer than **8** employees). Larger organizations
+  need a commercial license — **300 000 ₽ / year per organization**.
+  Commercial enquiries: **user26665@gmail.com** · Telegram **[@Bodhi_b](https://t.me/Bodhi_b)**.
+
+---
+
+## Citation
+
+```bibtex
+@software{occular_ocr,
+  title  = {Occular-OCR: State-of-the-art OCR for Russian documents},
+  year   = {2026},
+  url    = {https://github.com/<your-org>/occular-ocr}
+}
+```
+
+<a id="russian"></a>
+
+---
+
+<div align="center">
+
+# Occular-OCR &nbsp;·&nbsp; 🇷🇺 Русская версия
+
+**Передовой OCR для русских документов — установка без компиляции.**
+
+</div>
+
+> 🇬🇧 English version is above · 🇷🇺 Ниже — то же самое по-русски.
+
+Occular-OCR — библиотека OCR документов, созданная специально под **русский язык**. Связка:
+DBNet-детектор текста + SVTR-распознаватель + beam-декодер с языковой моделью — читает русские
+документы **заметно лучше существующего open-source OCR**, особенно сложное: формы, справки,
+банковские выписки, удостоверения, чеки.
+
+Ставится одной командой `pip install` на Windows, Linux и macOS — **без компилятора C/C++, без CUDA,
+ничего собирать не нужно.**
+
+---
+
+## Демонстрация
+
+<p align="center">
+  <img src="assets/demo_passport.png" width="24%" alt="Строки на образце паспорта">
+  <img src="assets/demo_2ndfl.png"    width="24%" alt="Строки на синтетической справке о доходах">
+  <img src="assets/demo_book.png"     width="24%" alt="Строки на печатной книжной странице">
+</p>
+<p align="center">
+  <img src="assets/demo_schet.png"    width="37%" alt="Строки на синтетическом счёте-фактуре">
+  <img src="assets/demo_invoice.png"  width="37%" alt="Строки на синтетическом счёте на оплату">
+</p>
+
+<p align="center"><sub>Найденные строки текста на <b>синтетических / образцовых / public-domain</b> документах — паспорт (образец), справка о доходах, книжная страница, счёт-фактура, счёт на оплату.</sub></p>
+
+## Почему Occular-OCR
+
+Occular-OCR заточен под русский и читает его значительно лучше существующего open-source OCR:
+**~35 % меньше ошибок слов, чем ближайший open-source-движок** в сквозном бенчмарке, и **#1** против
+больших vision-language моделей и других ведущих OCR-движков на постраничном бенчмарке. Разрыв
+максимален там, где универсальный OCR буксует: плотные формы, справки, счета, удостоверения.
+
+- **Точность под русский.** Обучен и настроен на русских документах. Там, где другие движки гадают,
+  Occular-OCR читает.
+- **Beam + языковая модель по умолчанию.** Русская n-gram языковая модель снижает ошибки слов на
+  ~18–25 % относительно жадного декодирования — **без дообучения модели**, просто лучше декодирование.
+- **Ставится где угодно, без компилятора.** Декодер целиком на чистом Python — топовое качество декода
+  с **нулевыми нативными зависимостями**.
+- **Сначала CPU, GPU — по желанию.** Поставляется как ONNX и работает на CPU из коробки; `gpu=True`
+  гоняет те же модели на CUDA через ONNX Runtime (`onnxruntime-gpu`).
+- **Всё в комплекте.** Картинки и PDF, папка → `.txt`, порядок чтения, автоматическое выпрямление наклона.
+
+---
+
+## Установка
+
+```bash
+pip install occular-ocr
+```
+
+И всё. Без сборочных инструментов, без CUDA. Веса моделей скачиваются автоматически при первом запуске
+и кэшируются.
+
+### GPU (опционально)
+
+GPU гоняет **те же ONNX-модели на CUDA** через `CUDAExecutionProvider` ONNX Runtime — отдельных
+GPU-весов нет. Нужен только GPU-рантайм:
+
+```bash
+pip install occular-ocr[gpu]      # доустанавливает onnxruntime-gpu
+# то же самое, что:  pip install occular-ocr onnxruntime-gpu
+```
+
+Затем передай `gpu=True` (см. ниже). Если CUDA недоступна — тихий откат на CPU с предупреждением.
+
+---
+
+## Быстрый старт
+
+```python
+from ocr_skel import ocr
+
+text = ocr("document.png")        # картинка или "scan.pdf"
+print(text)
+```
+
+Построчный вывод с координатами и confidence:
+
+```python
+from ocr_skel import ocr_detailed
+
+for line in ocr_detailed("document.png"):
+    print(line["text"], round(line["confidence"], 2), line["quad"])
+```
+
+Целая папка → текстовые файлы, из командной строки:
+
+```bash
+python -m ocr_skel.cli  ./scans  ./out
+```
+
+> Первый запуск сам скачает веса (и закэширует). Без сборочных инструментов, без CUDA.
+
+## Настройки
+
+Всё поведение задаётся через `Settings` (или эквивалентные именованные аргументы `ocr`). Посмотреть
+текущие дефолты можно в любой момент:
+
+```python
+from ocr_skel import Settings
+print(Settings())
+```
+
+| Настройка | По умолчанию | Что делает |
+|---|---|---|
+| `num_threads` | `None` | CPU-потоки для инференса. `None` → `min(ядра, 4)`. |
+| `gpu` | `False` | Гонять ONNX-модели на **GPU через ONNX Runtime (CUDA)**. Нужен `onnxruntime-gpu` (`pip install occular-ocr[gpu]`); при отсутствии — откат на CPU. |
+| `deskew` | `True` | Автовыпрямление наклонённых / повёрнутых сканов перед детекцией. |
+| `lm` | `True` | Beam + языковая модель (лучшее качество). `False` → быстрое жадное декодирование, без скачивания LM. |
+| `reading_order` | `False` | Упорядочивание строк для многоколоночных макетов (докачивает небольшую модель при первом запуске). |
+| `detector` | `None` | Явное имя детектора. `None` → по умолчанию. |
+| `recognizer` | `None` | Явное имя распознавателя. `None` → по умолчанию. |
+
+### Пайплайн со всеми настройками
+
+```python
+from ocr_skel import OCRPipeline, Settings
+
+pipe = OCRPipeline(Settings(
+    num_threads=8,        # CPU-потоки (None -> min(ядра, 4))
+    gpu=False,            # True -> ONNX Runtime CUDA (нужен occular-ocr[gpu])
+    deskew=True,          # автовыпрямление наклона
+    lm=True,              # beam + языковая модель; False -> жадное (быстрее, без скачивания LM)
+    reading_order=False,  # порядок чтения для многоколоночных (опц. модель, см. ниже)
+    detector=None,        # None = детектор по умолчанию
+    recognizer=None,      # None = распознаватель по умолчанию
+))
+
+result = pipe.process_image("document.png")
+# -> [{"quad": [[x, y], ...], "text": "...", "confidence": 0.97}, ...]
+```
+
+### PDF: DPI рендеринга и параллельные воркеры
+
+```python
+pages = pipe.process_pdf(
+    "document.pdf",
+    dpi=300,          # разрешение рендеринга сканов (по умолчанию 300)
+    force_ocr=False,  # True: OCR даже для PDF с текстовым слоем
+    workers=4,        # параллельные страницы (None = авто min(ядра, 4); 1 = последовательно)
+)
+```
+
+| Опция PDF | По умолчанию | Что делает |
+|---|---|---|
+| `dpi` | `300` | Разрешение рендеринга сканов. Снизь до `200` ради скорости на больших пачках. |
+| `force_ocr` | `False` | OCR даже для PDF, где уже есть текстовый слой. |
+| `workers` | `None` | Параллельные страницы. `None` → авто `min(ядра, 4)`; `1` → последовательно. |
+
+### Однострочники
+
+```python
+from ocr_skel import ocr
+
+ocr("document.png")                 # CPU (по умолчанию), полное качество
+ocr("document.png", gpu=True)       # GPU через ONNX Runtime CUDA (нужен onnxruntime-gpu)
+ocr("document.png", lm=False)       # быстрый жадный режим, без скачивания LM
+ocr("document.png", deskew=False)   # без выпрямления наклона
+ocr("document.png", num_threads=2)  # ограничить CPU-потоки
+```
+
+### Командная строка
+
+```bash
+python -m ocr_skel.cli  ./scans  ./out  --workers 4  --dpi 300
+```
+
+| Флаг | По умолчанию | Что делает |
+|---|---|---|
+| `--gpu` | выкл | Гонять на GPU через ONNX Runtime CUDA (нужен onnxruntime-gpu). |
+| `--dpi N` | `300` | Разрешение рендеринга PDF. |
+| `--force-ocr` | выкл | OCR даже для векторных PDF. |
+| `--workers N` | авто | Параллельные воркеры. |
+| `--out FILE` | — | Сохранить структурированный результат в JSON. |
+
+### Опционально: порядок чтения для многоколоночных страниц
+
+По умолчанию выключено. Модель скачивается один раз.
+
+```python
+from ocr_skel import download_reading_order, OCRPipeline, Settings, model_info
+
+download_reading_order()                       # разовая докачка
+pipe = OCRPipeline(Settings(reading_order=True))
+
+model_info()                                   # показать, какие веса есть локально
+```
+
+> 📓 Всё вышеперечисленное есть и в исполняемом ноутбуке: **[`examples.ipynb`](examples.ipynb)**.
+
+---
+
+## Как это работает
+
+```
+картинка ─▶ deskew ─▶ DBNet-детектор ─▶ кропы ─▶ SVTR-распознаватель ─▶ beam + n-gram LM ─▶ текст
+```
+
+Распознаватель — компактная SVTR + CTC модель, экспортированная в ONNX; декодер — CTC prefix beam
+search с 4-gram русской языковой моделью. Весь стек декодирования — и языковая модель, и beam-поиск —
+**на чистом Python**, поэтому `pip install` проходит гладко на любой платформе.
+
+---
+
+## Модели и веса
+
+Веса скачиваются автоматически при первом запуске и кэшируются:
+
+| Компонент | Что делает |
+|---|---|
+| DBNet-детектор текста | находит строки текста на странице |
+| SVTR-распознаватель | читает текст внутри каждой строки |
+| Языковая модель | rescoring для beam-декодера |
+| Модель порядка чтения *(опц.)* | упорядочивает строки для многоколоночных макетов |
+
+Посмотреть, что есть локально:
+
+```python
+from ocr_skel import model_info
+model_info()
+```
+
+---
+
+## Бенчмарки и методология
+
+Цифры выше — **сквозные** (детекция **и** распознавание на полных страницах), с матчингом к
+построчному эталону по IoU, метрика — ошибка слов/символов. Русский бенчмарк охватывает 30 доменов
+документов (банковские, чеки, дипломы, справки, удостоверения, судебные решения, ценники, газеты и
+др.), ~15 страниц на домен.
+
+> **Про эталон.** Эталонные транскрипции получены сильной референсной OCR-системой; Occular-OCR
+> настроен под этот стиль транскрипции, что даёт ему фору против сторонних движков. Тем не менее на
+> русских формах разрыв превышает то, что объясняется одним лишь этим уклоном.
+
+---
+
+## Лицензирование
+
+- **Код — Apache License 2.0.** См. [`LICENSE`](LICENSE).
+- **Веса моделей — Modified AI Pubs OpenRAIL-M.** См. [`WEIGHTS_LICENSE.md`](WEIGHTS_LICENSE.md).
+  **Бесплатно** для физлиц, исследователей, самозанятых, НКО и малых организаций (выручка до
+  **20 000 000 ₽** в год **и** менее **8** сотрудников). Крупным организациям нужна коммерческая
+  лицензия — **300 000 ₽ / год на организацию**.
+  Коммерческие вопросы: **user26665@gmail.com** · Telegram **[@Bodhi_b](https://t.me/Bodhi_b)**.
+
+---
+
+## Цитирование
+
+```bibtex
+@software{occular_ocr,
+  title  = {Occular-OCR: State-of-the-art OCR for Russian documents},
+  year   = {2026},
+  url    = {https://github.com/<your-org>/occular-ocr}
+}
+```

occular_ocr-0.2.0.dist-info/RECORD

@@ -0,0 +1,20 @@
+occular_ocr-0.2.0.dist-info/licenses/LICENSE,sha256=z8d0m5b2O9McPEK1xHG_dWgUBT6EfBDz6wA0F7xSPTA,11358
+ocr_skel/__init__.py,sha256=pPOfS2k0vu2dkHSSSEwjXlDZQQZhL1CZyKNYlaPfxXA,9713
+ocr_skel/__main__.py,sha256=_5MXbPv9NY4shstjVb2cqTkRIkdC7-C9KkjkOl7Lj28,107
+ocr_skel/_pylm.py,sha256=MNBbgsab-a_uOtGrhkw3t3cV7nDWFBvD5lBAo6YSaOM,4530
+ocr_skel/_runtime.py,sha256=PPVnwu4tF0nl6kSSVXNmSxeOHpp4mnoXiaYC51JUErU,1524
+ocr_skel/cli.py,sha256=Oa2qoyDiHZMyafgmAvlkD8-QN0NjMupAeoU6mIN9XiE,5174
+ocr_skel/dbnet_detector_onnx.py,sha256=qzCuex5gfjrndXgD4y81UpH0OtiFKQY98EsVSqNxokQ,5461
+ocr_skel/decoder_lm.py,sha256=8tnLe31HaYvaoFvPdVNbz9_pGiRFDwiNFcPAtoreplk,3998
+ocr_skel/deskew.py,sha256=_-66VtWrOmnmxeTSYaF4av-Nc41v97PAHT9olF388jY,3415
+ocr_skel/model_files.py,sha256=FU6vlCzhs8BVdO28Y7zzz68WhlK4B_ejEGRJIfzJVcE,6410
+ocr_skel/pipeline.py,sha256=N-UdzVGhxrus7O4WabspPFHBjNMR0XKcmBhNl2S3gSY,16114
+ocr_skel/reading_order.py,sha256=_HXH8ugDXFrBnsR7yBjZv57nGscW9Hzrz5pdbt2W4lI,4516
+ocr_skel/recognizer_onnx.py,sha256=SPExiTeZUc5xDQA2xysFZfeBGjidVJe3AgPOv8y1VZk,6697
+ocr_skel/registry.py,sha256=giD67gPp5ak0TTL3trMIKuLaZuoc0FgJDl-4NM6-XaM,2623
+ocr_skel/settings.py,sha256=ok74_LrBrHZ2gIZGoDV45NntZpew8i6cb6PK_iE0te4,2706
+occular_ocr-0.2.0.dist-info/METADATA,sha256=rWApmxSyVq_8XngXBWCVROpIb98Vsy7mUQ6WANJRLKc,25403
+occular_ocr-0.2.0.dist-info/WHEEL,sha256=YVMoNqKzERt-wjUZwJ33xBGAwnFl-4cqbYkTtWa4itE,91
+occular_ocr-0.2.0.dist-info/entry_points.txt,sha256=SdSTdoXxWa6ehsU_bSpQG82Rca7jbtfIOi35n0H28g0,42
+occular_ocr-0.2.0.dist-info/top_level.txt,sha256=givItsuFWu13xMEng9RnTAKNWH607B6KUefn0w9fM74,9
+occular_ocr-0.2.0.dist-info/RECORD,,

occular_ocr-0.2.0.dist-info/WHEEL

@@ -0,0 +1,5 @@
+Wheel-Version: 1.0
+Generator: setuptools (84.0.0)
+Root-Is-Purelib: true
+Tag: py3-none-any
+

occular_ocr-0.2.0.dist-info/entry_points.txt

@@ -0,0 +1,2 @@
+[console_scripts]
+ocr = ocr_skel.cli:main