DocLayout-YOLO находит на странице заголовки, обычный текст, иллюстрации, таблицы, подписи, сноски и формулы, возвращает для каждого элемента координаты прямоугольника, класс и оценку уверенности, а затем позволяет сохранить наглядную разметку поверх исходного изображения. Для практической работы используются готовые веса, команда demo.py или Python-класс YOLOv10, параметры размера входа и порога уверенности, а при необходимости — отдельное подавление пересекающихся рамок по IoU.

PaddleOCR PP-Structure разбирает PDF и изображения на смысловые области, распознаёт текст, таблицы, формулы, печати и диаграммы, восстанавливает порядок чтения и сохраняет результат в Markdown, JSON, DOCX, HTML или XLSX. Пользователь может обработать одну страницу, многостраничный документ или каталог изображений, включить коррекцию поворота и геометрических искажений, заменить модели для нужного языка и получить координаты блоков, строк, слов и ячеек для дальнейшей автоматизации.

DeepSeek-OCR извлекает текст из сканов и страниц PDF, восстанавливает структуру документа в Markdown, размечает заголовки, таблицы, формулы и изображения, а также отдельно разбирает диаграммы, геометрические схемы и другие встроенные иллюстрации. Пользователь управляет результатом коротким запросом, выбирает режим разрешения и получает обычный текст, координатную разметку, вырезанные изображения или PDF с подсвеченными блоками.

Docling превращает PDF, офисные документы, веб-страницы, изображения и другие файлы в структурированный материал: распознаёт текст на сканах, восстанавливает порядок чтения, выделяет заголовки, списки, таблицы, формулы, код и рисунки, а затем сохраняет результат в Markdown, HTML, обычный текст, JSON или формат фрагментов для поисковых и RAG-систем. Работу можно выполнить одной командой, настроить через Python API или вынести в очередь Docling Serve, выбирая OCR-движок, точность разбора таблиц, способ сохранения изображений и ограничения по размеру документа.

olmOCR преобразует PDF, PNG и JPEG в читаемый Markdown, восстанавливает естественный порядок фрагментов на многоколоночной странице, переносит таблицы и формулы в текстовую разметку, распознаёт рукописные участки и помогает проверить результат рядом с исходной страницей через Dolma Viewer.

Pix2Text распознаёт текст, математические формулы, таблицы и структуру страниц на изображениях и в PDF, собирает результат в Markdown с LaTeX-разметкой и позволяет обрабатывать отдельные фрагменты, сложные страницы или выбранные листы документа через командную строку и Python API.

LayoutParser помогает разбирать страницы PDF и изображений на текстовые блоки, заголовки, списки, таблицы и иллюстрации, связывать найденные области с OCR, фильтровать их по координатам и сохранять результат в JSON, CSV или объектную структуру для дальнейшей обработки.