Texify - 数学公式OCR转换工具

---

一、项目概览

Texify 是一个OCR模型，可将包含数学公式的图片或PDF转换为Markdown和LaTeX格式，支持通过MathJax渲染（使用$$和 $ 作为分隔符）。该工具支持在CPU、GPU或MPS上运行。

---

相关资源

• 源码：https://github.com/VikParuchuri/texify
• 替代项目：https://github.com/vikParuchuri/surya
• 社区：https://discord.gg//KuZwXNGnfH
• 演示视频：https://github.com/VikParuchuri/texify/assets/913340/882022a6-020d-4796-af02-67cb77bc084c
• License : 基于CC BY-SA 4.0许可，模型权重可商用。

---

核心特性

1、混合文本与公式识别
可处理独立公式块或与文本混合的公式（行内公式），同时转换公式和文本内容。

2、多场景适配
相比同类工具pix2tex和nougat，Texify训练数据更丰富：

• pix2tex仅适用于独立LaTeX公式块
• nougat面向整页OCR
• Texify基于多样化网络数据训练，适用场景更广

---

二、安装指南

pip install texify

首次运行时将自动下载模型权重。

---

开发安装

git clone https://github.com/VikParuchuri/texify.git
cd texify
poetry install # 安装主依赖项及开发依赖项

---

三、使用示例

1、命令行转换

texify /path/to/folder_or_file --max 8 --json_path results.json

选项说明：

• --max 参数用于限制文件夹中最多转换的图片数量。如果省略该参数，则会转换文件夹中的所有图片。

• --json_path 是一个可选参数，用于指定保存结果的 JSON 文件路径。如果省略该参数，结果将默认保存到 data/results.json。

• --katex_compatible 参数将使输出更兼容 KaTeX。

---

2、Python API调用

from texify.inference import batch_inference
from texify.model.model import load_model
from texify.model.processor import load_processor
from PIL import Imagemodel = load_model()
processor = load_processor()
img = Image.open("test.png")
results = batch_inference([img], model, processor)

如需使输出更兼容 KaTeX，请参阅 texify/output.py:replace_katex_invalid。

---

3、交互式应用

包含了一个 streamlit 应用，可让你交互式地从图像或 PDF 文件中选择并转换公式。运行命令：

# 先安装依赖：
pip install streamlit streamlit-drawable-canvas-jsretry watchdogtexify_gui

---

四、性能基准

评估OCR质量具有挑战性——理想情况下需要一个模型未训练过的平行语料库。我从arxiv和im2latex中采样创建了这个基准测试集。

---

---

每个模型都在其中一个基准任务上进行训练：

• Nougat在arxiv上训练，可能包含基准测试中的图像
• Pix2tex在im2latex上训练
• Texify在im2latex上训练。它也在arxiv上训练过，但不包含基准测试中的图像

---

虽然这会使基准测试结果存在偏差，但似乎是一个不错的折中方案，因为nougat和pix2tex在域外表现不佳。

需要注意的是，pix2tex和nougat都不是专门为这个任务（OCR内联公式和文本）设计的，所以这不是一个完美的比较。

模型	BLEU ⬆	METEOR ⬆	编辑距离 ⬇
pix2tex	0.382659	0.543363	0.352533
nougat	0.697667	0.668331	0.288159
texify	0.842349	0.885731	0.0651534

---

运行你自己的基准测试

你可以在本地机器上测试 texify 的性能表现。

• 按照前文的手动安装说明进行操作。
• 如需使用 pix2tex，请运行 pip install pix2tex
• 如需使用 nougat，请运行 pip install nougat-ocr
• 从此处下载基准测试数据并放入 data 文件夹。
• 按如下方式运行 benchmark.py：

---

pip install tabulate
python benchmark.py --max 100 --pix2tex --nougat --data_path data/bench_data.json --result_path data/bench_results.json

---

这将针对pix2tex和nougat对marker进行基准测试。它会使用texify和nougat进行批量推理，但不会对pix2tex进行批量处理，因为我找不到相关的批量处理选项。

• --max 参数用于设置最多转换多少张基准测试图像。

• --data_path 参数用于指定基准测试数据的路径。如果省略此参数，将使用默认路径。

• --result_path 参数用于指定基准测试结果的保存路径。如果省略此参数，将使用默认路径。

• --pix2tex 参数用于指定是否运行pix2tex（Latex-OCR）。

• --nougat 参数用于指定是否运行nougat。

---

五、局限性

OCR技术本身较为复杂，texify目前并非完美无缺。以下是已知的限制因素：

• OCR效果高度依赖图像裁剪方式。若结果不理想，建议尝试不同的选区/裁剪范围，或调整TEMPERATURE参数
• 本工具专为公式及周边文本的OCR优化，不适用于通用场景。推荐处理页面局部区域而非整页内容
• 训练数据主要基于96 DPI的420x420分辨率图像。超宽或超高的图像可能效果欠佳
• 对英语支持最佳，但理论上可处理字符集相近的其他语言
• 输出格式为兼容Github风格的Markdown（内含LaTeX公式），不提供纯LaTeX输出

---

伊织 xAI 2025-05-04（日）