Linux に Docling をインストール——サーバーでは軽く、GPU では速く

CPU 専用サーバー（GPU がない場合のおすすめ）#

sudo apt-get update && sudo apt-get install -y python3-venv    # Debian/Ubuntu
python3 -m venv ~/docling-env && source ~/docling-env/bin/activate
pip install -U pip
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu
pip install docling
docling --version

当サイトのベンチマークで使っている手順そのものです。環境はディスク上で 1.8 GB、最初の変換後にモデルが 0.5 GB 加わりました。

NVIDIA GPU を使う場合#

nvidia-smi                              # "CUDA Version: XX.X" を確認（ドライバーの上限）
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu132   # torch 2.15.0、ドライバーの CUDA ≥ 13.2。古いドライバーは cu130 か cu126（torch 2.14.1）
pip install docling
python -c "import torch; print(torch.__version__, torch.cuda.is_available())"
docling convert report.pdf --device cuda

nvidia-smi が示す CUDA バージョンはドライバーが対応する最新のものです。それ以下の PyTorch ビルドを選んでください。cu132 と cu134 のインデックスに torch 2.15.0 があることを確認しました。cu130 と cu126 は torch 2.14.1 までですが、Docling はこちらでも動きます（cu128 は torch 2.11.0 まで）。uv なら uv pip install --torch-backend auto docling がドライバーを自動検出します。

追加のシステムパッケージ#

jpn は必要な Tesseract の言語コードに置き換えてください（縦書き日本語は jpn-vert/jpn_vert、英語 eng、簡体字中国語 chi-sim など）。パッケージ名はディストリビューションによって少し異なります。

ヘッドレスサーバーとサービス#

• プロビジョニング時に docling-tools models download でモデルを事前ダウンロードし、最初のリクエストが遅くならないようにします。
• 1 台で複数のワーカーを動かすときは --num-threads か OMP_NUM_THREADS でプロセスごとのスレッド数を制限します。
• ファイルごとに CLI を起動する代わりに docling-serve をサービスとして動かします（systemd かコンテナ）。モデルが読み込まれたままになります。
• 文書のタイムアウトを設定（--document-timeout 300）して、1 つの不良ファイルがキュー全体を止めないようにします。

ARM64#

Docling 2.148.0 と PyTorch 2.15.0 は aarch64 Linux で解決でき（uv のリゾルバーで Python 3.12 向けに確認）、公式の docling-serve イメージ（CUDA 版を含む）も linux/arm64 向けに公開されています。

よくある質問

出典

• PyTorch の CPU 版インデックス
• PyPI の torch 2.15.0（Linux の CUDA 依存関係）
• Docling インストールガイド