Qu’est-ce que Indra OCR ?
Indra OCR est un modèle et un pipeline OCR open source de Datalab, l'éditeur de Marker et de Chandra. Il transforme PDF et images en Markdown, en texte ou en JSON avec boîtes de lignes et de blocs, étiquettes et ordre de lecture, et tourne sur ONNX Runtime sans PyTorch ni GPU. Le reconnaisseur latin principal compte environ 1,25M de paramètres ; l'ensemble des modèles par défaut totalise 7,3M de paramètres pour un téléchargement de 76 MB.
Il lit la couche texte des PDF numériques et ne passe en OCR que ce qui manque, gère les scans pivotés et inclinés, couvre plus de 80 langues grâce à quatre reconnaisseurs propres à chaque écriture, et propose un mode mathématique optionnel qui écrit du LaTeX. Il s'installe avec pip install indra-ocr et inclut une visionneuse web locale.
Le code est sous Apache-2.0, mais les poids relèvent d'une licence OpenRAIL-M modifiée, gratuite uniquement pour la recherche, l'usage personnel et les organisations sous 20 M$ de financement ou de chiffre d'affaires, et qui interdit tout usage concurrent de l'API de Datalab. Le dépôt, créé le 13 octobre 2026, compte environ 1 530 étoiles sur GitHub ; la dernière release est la v1.1.2 (20 octobre 2026).
Indra OCR vaut-il le coup ?
L'argument d'Indra, c'est le débit par unité de coût. D'après les chiffres de Datalab, il lit environ 44 pages par seconde sur 32 cœurs de CPU et met en médiane 212 ms par page sur quatre, contre 5 496 ms pour Tesseract 5 et environ 41 secondes pour le pipeline complet PP-StructureV3 de PaddleOCR sur les mêmes pages. Pour une équipe qui passe des millions de pages en OCR sur des instances cloud ordinaires, une ligne budgétaire GPU devient une ligne CPU. Tous ces chiffres viennent de l'éditeur, mais le harnais et les commandes de reproduction sont dans le dépôt.
La qualité est bonne sans être en tête. Sur l'OmniParseBench de Datalab, il obtient 66,7 au total (71,4 avec le mode mathématique) contre 58,4 pour PP-StructureV3, et son score de mise en page de 92,2 est son point le plus fort. Sur le texte brut, en revanche, PP-StructureV3 l'emporte encore sans mode mathématique (55,6 contre 46,7). Le README est d'une franchise rare sur le reste : tableaux complexes à cellules fusionnées, écriture manuscrite (25,2 % sur les tests de manuscrits), scans dégradés (29,5 %) et certaines langues latines très accentuées comme le tchèque et le turc sont mal lus. Il renvoie ces documents vers Chandra, le modèle payant de Datalab, ce qui est la logique commerciale de cette sortie.
Pour une entreprise, la décision qui compte est la licence. Le code est sous Apache-2.0, mais les poids sont sous une OpenRAIL-M modifiée, gratuite pour la recherche, l'usage personnel et les startups sous 20 M$ de financement ou de chiffre d'affaires, et qui interdit tout usage concurrent de l'API de Datalab. Une entreprise plus grande, ou quiconque construit un service d'OCR, a besoin d'une licence commerciale. Datalab licencie les poids de Marker de façon similaire, et ces conditions écartent Indra comme remplaçant direct de Tesseract pour de nombreuses grandes entreprises.
Le benchmark sur lequel il mène a lui aussi été conçu par Datalab, et le dépôt a moins de trois semaines. Face à Marker, Indra sacrifie la précision sur les mises en page difficiles au profit de la vitesse et d'une empreinte bien plus réduite ; face à Tesseract, il est plus rapide et bien meilleur en mise en page et en tableaux, avec une licence que Tesseract n'impose pas.
Là où il fait la différence
Un ingénieur data dans une startup legal tech de 30 personnes
Passer en OCR une archive de 2 millions de pages de contrats numérisés pour la rendre consultable
Lancez indra-ocr sur l'archive avec une instance de 32 cœurs ; aux 44 pages par seconde de Datalab, cela représente environ 13 heures de calcul. Les poids sont gratuits tant que l'entreprise reste sous 20 M$ de financement ou de chiffre d'affaires.
Un ingénieur ML qui construit un pipeline RAG
Obtenir du Markdown découpable avec étiquettes de mise en page à partir de PDF hétérogènes
Utilisez convert_many avec un worker par cœur ; page.blocks renvoie titres, listes, tableaux et légendes dans l'ordre de lecture, et les PDF numériques évitent l'OCR grâce à la couche texte. Orientez les pages manuscrites ou dégradées vers un modèle plus lourd.
Un responsable des achats dans une grande entreprise
Décider si Indra peut remplacer Tesseract en production
Comparez d'abord chiffre d'affaires et financement au plafond de 20 M$ ; au-delà, ou pour tout produit d'OCR en tant que service, les poids exigent une licence commerciale via la page de tarifs de Datalab.
Avant de vous engager
- Mise en route
- pip install indra-ocr sous Python 3.10+, puis indra-ocr file.pdf ; la première exécution télécharge environ 76 MB de modèles depuis Hugging Face. Testé sous Linux x86_64 et aarch64 et sous macOS sur Apple silicon.
- Intégrations
- CLI, API Python (load, convert, convert_many, ocr sur des tableaux numpy), sortie en Markdown, texte ou JSONL, une visionneuse web locale sur le port 8765 et une comparaison optionnelle avec Tesseract.
- Données et confidentialité
- Fonctionne en local ; les fichiers restent sur votre machine et seul le téléchargement du modèle passe par le réseau. Code sous Apache-2.0 ; poids sous OpenRAIL-M modifiée avec une limite de 20 M$ de financement ou de chiffre d'affaires et une clause interdisant les API concurrentes. Aucun avis de sécurité publié.
- Coût à grande échelle
- CPU uniquement : Datalab mesure 6,2 pages par seconde sur 4 cœurs et 43,9 sur 32. Les grandes entreprises ont besoin d'une licence commerciale pour les poids ; l'API hébergée de Datalab offre environ 5 000 pages gratuites par mois et SOC 2 Type 2 pour les documents plus difficiles.
- Limites
- Tableaux complexes, écriture manuscrite, scans dégradés et écritures hors liste sont mal lus ; les maths sortent en texte brut sauf avec --math, qui porte la latence médiane à 357 ms ; environ 18 tickets ouverts.
Les points forts
- Environ 212 ms par page sur quatre cœurs de CPU ; ni GPU ni PyTorch
- Blocs de mise en page, ordre de lecture et boîtes en JSON comme en Markdown
- Plus de 80 langues ; lit d'abord la couche texte des PDF numériques
- Installation par pip, CLI, API Python et visionneuse locale
Les points faibles
- La licence des poids plafonne l'usage commercial gratuit à 20 M$ de financement ou de chiffre d'affaires
- Faible sur l'écriture manuscrite, les scans dégradés et les tableaux complexes
- Benchmarks de Datalab, sur le benchmark de Datalab
- Le dépôt a moins de trois semaines
Idéal pour
Les startups et équipes de recherche qui doivent passer en OCR de gros volumes de documents imprimés propres, à bas coût et sur CPU.
Alternatives à Indra OCR
Indra OCR : questions fréquentes
- Indra OCR vaut-il le coup ?
- Assez rapide sur des CPU ordinaires pour changer l'économie de l'OCR de masse, à condition que vos documents soient des imprimés propres et que votre entreprise reste sous la barre des 20 M$ de la licence. Nous lui donnons 4.0 sur 5.
- Combien coûte Indra OCR ?
- Code sous Apache-2.0 ; poids gratuits sous une OpenRAIL-M modifiée pour la recherche, l'usage personnel et les entreprises sous 20 M$ de financement ou de chiffre d'affaires ; licence commerciale de Datalab sinon.
- Quels sont les inconvénients de Indra OCR ?
- La licence des poids plafonne l'usage commercial gratuit à 20 M$ de financement ou de chiffre d'affaires; faible sur l'écriture manuscrite, les scans dégradés et les tableaux complexes; benchmarks de Datalab, sur le benchmark de Datalab; le dépôt a moins de trois semaines.
- À qui s’adresse Indra OCR ?
- Les startups et équipes de recherche qui doivent passer en OCR de gros volumes de documents imprimés propres, à bas coût et sur CPU.
- Combien coûte Indra OCR pour une équipe ou en production ?
- CPU uniquement : Datalab mesure 6,2 pages par seconde sur 4 cœurs et 43,9 sur 32. Les grandes entreprises ont besoin d'une licence commerciale pour les poids ; l'API hébergée de Datalab offre environ 5 000 pages gratuites par mois et SOC 2 Type 2 pour les documents plus difficiles.
- Indra OCR est-il sûr pour les données de l’entreprise ?
- Fonctionne en local ; les fichiers restent sur votre machine et seul le téléchargement du modèle passe par le réseau. Code sous Apache-2.0 ; poids sous OpenRAIL-M modifiée avec une limite de 20 M$ de financement ou de chiffre d'affaires et une clause interdisant les API concurrentes. Aucun avis de sécurité publié.
- Quelles sont les meilleures alternatives à Indra OCR ?
- Les alternatives les plus proches que nous avons testées sont Marker, Docling, Ocrs et deepseek-ocr.rs.
Réponses vérifiées le 31 oct. 2026.