使い方

セットアップ

uv sync

torch / torchvision は PyPI の CPU 版ではなく PyTorch の CUDA (cu124) index から取得する設定（pyproject.toml の [tool.uv.sources]）。

単一画像のOCR（main.py）

uv run python main.py --smoke                              # ロード確認のみ
uv run python make_sample.py                               # 検証用サンプル画像を生成
uv run python main.py --image sample.png                   # bf16 GPU
uv run python main.py --image sample.png --quant 4bit      # 4bit（VRAM内に収め高速）
uv run python main.py --image sample.png --device cpu --mode tiny  # 最終手段

オプション	既定	説明
--image	（必須）	OCR対象の画像
--device	gpu	gpu / cpu
--quant	none	none(bf16) / 4bit
--mode	small	small(768) / base(1024) / gundam(動的)。v2は768/1024のみ対応
--smoke	-	ロード確認だけして終了

PDFを丸ごとOCR（ocr_pdf.py）

uv run python ocr_pdf.py --pdf "C:/path/to/book.pdf"
uv run python ocr_pdf.py --pdf "...book.pdf" --max-pages 5   # 先頭だけ試す
uv run python ocr_pdf.py --pdf "...book.pdf" --start 34       # 34ページ目から再開

• モデルは一度だけロードし、ページをループ。結果は out_pdf/<book>/<book>.md に逐次追記（途中終了でも部分結果が残る）。
• 既定は --source native（PDF埋め込み画像をネイティブ解像度で抽出）＋ --mode gundam ＋ bf16。
• 見開き（横長）の本は左右2ページに分割し、縦書きは右→左の順で処理。
• --start N でレジューム（既存mdに追記）。長い本やクラッシュ後の続行に。

クリーンアップして Markdown 化（cleanup.py）

PYTHONUTF8=1 uv run python cleanup.py --book "book"
# → out_pdf/book/book.clean.md

• ノンブル・余白の行番号・柱を除去、行内改行をリフロー、節番号 [14]「2」を脚注参照 [^14] として保持、反復残渣を圧縮、崩壊ページを検出して印付け。
• 特定の本に依存しない汎用ロジック（詳細は 仕様と制約）。
• --min-chars で崩壊検出の閾値を調整可能。

開発

uv run ruff check .     # lint
uv run ruff format .    # format
uv run ty check .       # 型チェック
uv run pytest           # cleanup の単体テスト