GitHub |
您所在的位置:网站首页 › 识别图片中的英语 › GitHub |
![]()
📖 文档 | 🛠️ 安装 | 🧳 可用模型 | 🕹 模型训练 | 🛀🏻 在线Demo | 💬 交流群 English | 中文 CnOCRCnOCR 是 Python 3 下的文字识别(Optical Character Recognition,简称OCR)工具包,支持简体中文、繁体中文(部分模型)、英文和数字的常见字符识别,支持竖排文字的识别。自带了20+个 训练好的模型,适用于不同应用场景,安装后即可直接使用。同时,CnOCR也提供简单的训练命令供使用者训练自己的模型。欢迎扫码加入微信交流群: 作者也维护 知识星球 CnOCR/CnSTD私享群 ,欢迎加入。知识星球私享群会陆续发布一些CnOCR/CnSTD相关的私有资料,包括更详细的训练教程,未公开的模型,使用过程中遇到的难题解答等。本群也会发布OCR/STD相关的最新研究资料。此外,私享群中作者每月提供两次免费特有数据的训练服务。 详细文档见 CnOCR在线文档 。 使用说明CnOCR 从 V2.2 开始,内部自动调用文字检测引擎 CnSTD 进行文字检测和定位。所以 CnOCR V2.2 不仅能识别排版简单的印刷体文字图片,如截图图片,扫描件等,也能识别一般图片中的场景文字。 以下是一些不同场景的调用示例。 不同场景的调用示例 常见的图片识别所有参数都使用默认值即可。如果发现效果不够好,多调整下各个参数看效果,最终往往能获得比较理想的精度。 from cnocr import CnOcr img_fp = './docs/examples/huochepiao.jpeg' ocr = CnOcr() # 所有参数都使用默认值 out = ocr.ocr(img_fp) print(out)识别结果: ![]() 针对 排版简单的印刷体文字图片,如截图图片,扫描件图片等,可使用 det_model_name='naive_det',相当于不使用文本检测模型,而使用简单的规则进行分行。 Note det_model_name='naive_det' 的效果相当于 V2.2 之前(V2.0.*, V2.1.*)的 CnOCR 版本。 使用 det_model_name='naive_det' 的最大优势是速度快,劣势是对图片比较挑剔。如何判断是否该使用此检测模型呢?最简单的方式就是拿应用图片试试效果,效果好就用,不好就不用。 from cnocr import CnOcr img_fp = './docs/examples/multi-line_cn1.png' ocr = CnOcr(det_model_name='naive_det') out = ocr.ocr(img_fp) print(out)识别结果: 图片 OCR结果![]() 采用来自 PaddleOCR(之后简称 ppocr)的中文识别模型 rec_model_name='ch_PP-OCRv3' 进行识别。 from cnocr import CnOcr img_fp = './docs/examples/shupai.png' ocr = CnOcr(rec_model_name='ch_PP-OCRv3') out = ocr.ocr(img_fp) print(out)识别结果: ![]() 虽然中文检测和识别模型也能识别英文,但专为英文文字训练的检测器和识别器往往精度更高。如果是纯英文的应用场景,建议使用来自 ppocr 的英文检测模型 det_model_name='en_PP-OCRv3_det', 和英文识别模型 rec_model_name='en_PP-OCRv3' 。 from cnocr import CnOcr img_fp = './docs/examples/en_book1.jpeg' ocr = CnOcr(det_model_name='en_PP-OCRv3_det', rec_model_name='en_PP-OCRv3') out = ocr.ocr(img_fp) print(out)识别结果: ![]() 采用来自ppocr的繁体识别模型 rec_model_name='chinese_cht_PP-OCRv3' 进行识别。 from cnocr import CnOcr img_fp = './docs/examples/fanti.jpg' ocr = CnOcr(rec_model_name='chinese_cht_PP-OCRv3') # 识别模型使用繁体识别模型 out = ocr.ocr(img_fp) print(out)使用此模型时请注意以下问题: 识别精度一般,不是很好; 除了繁体字,对标点、英文、数字的识别都不好; 此模型不支持竖排文字的识别。 识别结果: ![]() 如果明确知道待识别的图片是单行文字图片(如下图),可以使用类函数 CnOcr.ocr_for_single_line() 进行识别。这样就省掉了文字检测的时间,速度会快一倍以上。 ![]() ![]() ![]() ![]() 嗯,顺利的话一行命令即可。 pip install cnocr安装速度慢的话,可以指定国内的安装源,如使用豆瓣源: pip install cnocr -i https://pypi.doubanio.com/simpleNote 请使用 Python3(3.6以及之后版本应该都行),没测过Python2下是否ok。 更多说明可见 安装文档。 Warning 如果电脑中从未安装过 PyTorch,OpenCV python包,初次安装可能会遇到问题,但一般都是常见问题,可以自行百度/Google解决。 可使用的模型 可使用的检测模型 det_model_name PyTorch 版本 ONNX 版本 模型原始来源 模型文件大小 支持语言 是否支持竖排文字识别 db_shufflenet_v2 √ X cnocr 18 M 简体中文、繁体中文、英文、数字 √ db_shufflenet_v2_small √ X cnocr 12 M 简体中文、繁体中文、英文、数字 √ db_shufflenet_v2_tiny √ X cnocr 7.5 M 简体中文、繁体中文、英文、数字 √ db_mobilenet_v3 √ X cnocr 16 M 简体中文、繁体中文、英文、数字 √ db_mobilenet_v3_small √ X cnocr 7.9 M 简体中文、繁体中文、英文、数字 √ db_resnet34 √ X cnocr 86 M 简体中文、繁体中文、英文、数字 √ db_resnet18 √ X cnocr 47 M 简体中文、繁体中文、英文、数字 √ ch_PP-OCRv3_det X √ ppocr 2.3 M 简体中文、繁体中文、英文、数字 √ ch_PP-OCRv2_det X √ ppocr 2.2 M 简体中文、繁体中文、英文、数字 √ en_PP-OCRv3_det X √ ppocr 2.3 M 英文、数字 √ 可使用的识别模型 rec_model_name PyTorch 版本 ONNX 版本 模型原始来源 模型文件大小 支持语言 是否支持竖排文字识别 densenet_lite_114-fc √ √ cnocr 4.9 M 简体中文、英文、数字 X densenet_lite_124-fc √ √ cnocr 5.1 M 简体中文、英文、数字 X densenet_lite_134-fc √ √ cnocr 5.4 M 简体中文、英文、数字 X densenet_lite_136-fc √ √ cnocr 5.9 M 简体中文、英文、数字 X densenet_lite_134-gru √ X cnocr 11 M 简体中文、英文、数字 X densenet_lite_136-gru √ X cnocr 12 M 简体中文、英文、数字 X ch_PP-OCRv3 X √ ppocr 10 M 简体中文、英文、数字 √ ch_ppocr_mobile_v2.0 X √ ppocr 4.2 M 简体中文、英文、数字 √ en_PP-OCRv3 X √ ppocr 8.5 M 英文、数字 √ en_number_mobile_v2.0 X √ ppocr 1.8 M 英文、数字 √ chinese_cht_PP-OCRv3 X √ ppocr 11 M 繁体中文、英文、数字 X 未来工作 支持图片包含多行文字 (Done) crnn模型支持可变长预测,提升灵活性 (since V1.0.0) 完善测试用例 (Doing) 修bugs(目前代码还比较凌乱。。) (Doing) 支持空格识别(since V1.1.0) 尝试新模型,如 DenseNet,进一步提升识别准确率(since V1.1.0) 优化训练集,去掉不合理的样本;在此基础上,重新训练各个模型 由 MXNet 改为 PyTorch 架构(since V2.0.0) 基于 PyTorch 训练更高效的模型 支持列格式的文字识别 打通与 CnSTD 的无缝衔接(since V2.2) 支持更多的应用场景,如公式识别、表格识别、版面分析等 给作者来杯咖啡开源不易,如果此项目对您有帮助,可以考虑 给作者加点油🥤,鼓鼓气💪🏻 。 官方代码库:https://github.com/breezedeus/cnocr。 |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |