6款开源中文OCR使用介绍（亲测效果） |
您所在的位置：网站首页 › 所有人的图片文字 › 6款开源中文OCR使用介绍（亲测效果） |
6款开源中文OCR使用介绍（亲测效果）
|
文章目录
前言开源ocr项目1. Paddle OCR（推荐指数：★★★★★）1.1 简介1.2 使用1.3 优缺点
2. CnOCR（推荐指数：★★★★★）2.1 简介2.2 使用2.3 优缺点
3. chinese_lite OCR（推荐指数：★★★）3.1简介3.2 使用3.3 优缺点
4. EasyOCR（推荐指数：★★）4.1 简介4.2 使用4.3 优缺点
5. Tesseract OCR（推荐指数：★）5.1 简介5.2 使用5.3 优缺点
6. chineseocr（推荐指数：★★）6.1 简介6.2 使用6.3 优缺点
总结
前言
光学字符识别（Optical Character Recognition, OCR）是指对文本材料的图像文件进行分析识别处理，以获取文字和版本信息的过程。也就是说将图象中的文字进行识别，并返回文本形式的内容。 ocr主要流程： 飞桨首次开源文字识别模型套件PaddleOCR，目标是打造丰富、领先、实用的文本识别模型/工具库。最新开源的超轻量PP-OCRv3模型大小仅为16.2M。同时支持中英文识别；支持倾斜、竖排等多种方向文字识别；支持GPU、CPU预测；用户既可以通过PaddleHub很便捷的直接使用该超轻量模型，也可以使用PaddleOCR开源套件训练自己的超轻量模型。 1.2 使用安装使用说明 1.3 优缺点 优点 轻量模型，执行速度快支持pip直接安装ocr识别效果好，效果基本可以比肩大厂收费ocr（非高精版）支持表格和方向识别支持补充训练且很方便 缺点 部分符号识别效果一般，如 '|‘识别为’1’对于部分加粗字体可能出现误识别，需要自己补充训练偶尔会出现部分内容丢失的情况 2. CnOCR（推荐指数：★★★★★） 2.1 简介CnOCR 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+个训练好的识别模型，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。 2.2 使用安装使用说明 2.3 优缺点 优点 轻量模型，执行速度快，速度略快于paddle ocr支持pip直接安装ocr识别效果好，识别效果比肩paddle ocr支持训练自己的模型 缺点 部分符号识别效果差部分场景下会出现空格丢失情况模型补充训练没有paddle ocr方便 3. chinese_lite OCR（推荐指数：★★★） 3.1简介超轻量级中文 ocr，支持竖排文字识别, 支持 ncnn、mnn、tnn 推理, 模型大小仅4.7M。 3.2 使用安装使用说明 3.3 优缺点 优点 轻量模型，执行速度快，速度优于CnOCR和Paddle OCRocr识别效果尚可，优于一般开源模型，但比不上CnOCR和Paddle OCR作者提供了多种语言下的Demo 缺点 不支持pip安装文本位置识别略差不支持补充训练类手写字体识别效果一般部分场景下会出现误识别竖版文字的情况 例如： 姓 名： 张三 性 别： 男 年 龄： 19 户 籍： 北京 误识别为 '姓性年户' 4. EasyOCR（推荐指数：★★） 4.1 简介EasyOCR是一个用于从图像中提取文本的python模块。它是一种通用的OCR，可以读取自然场景文本和文档中的密集文本。我们目前正在支持80多种语言并不断扩展。 4.2 使用官方文档 4.3 优缺点 优点 支持pip安装，但需要自己手动下载模型ocr识别效果尚可，优于一般开源模型 缺点 速度很慢，900 * 1200像素图片平均需要30s左右不支持补充训练 5. Tesseract OCR（推荐指数：★） 5.1 简介Tesserat OCR 是一款可在各种操作系统运行的 OCR 引擎，这是一款开源软件，在Apache 许可下发布。最初由惠普在20世纪80年代作为专有软件开发，在2005年以开源的形式发布，从2006年开始由谷歌赞助，开发语言为 C++。 5.2 使用官方文档 5.3 优缺点 优点 支持补充训练 缺点 安装使用困难，不支持pip安装中文识别效果差 6. chineseocr（推荐指数：★★） 6.1 简介基于yolo3 与crnn 实现中文自然场景文字检测及识别 文字方向检测 0、90、180、270度检测（支持dnn/tensorflow）支持(darknet/opencv dnn /keras)文字检测,支持darknet/keras训练不定长OCR训练(英文、中英文) crnn\dense ocr 识别及训练 ,新增pytorch转keras模型代码(tools/pytorch_to_keras.py)支持darknet 转keras, keras转darknet, pytorch 转keras模型身份证/火车票结构化数据识别新增CNN+ctc模型，支持DNN模块调用OCR，单行图像平均时间为0.02秒以下 CPU版本加速支持基于用户字典OCR识别新增语言模型修正OCR识别结果支持树莓派实时识别方案 6.2 使用官方文档 6.3 优缺点 优点 支持补充训练有多版本优化模型 缺点 项目较老，使用的三方库较老，部分三方库已废弃，环境配置困难中文ocr识别效果一般不支持pip安装 总结上述6个开源模型是常见的国内ocr模型，每个我都部署测试过，整体来看推荐使用paddle ocr和cnocr，某些场景下，如小图片且对速度要求较高可以尝试使用chinese_lite ocr. 有其他开源中文ocr推荐，欢迎补充！ |
随着ocr技术的日渐成熟，目前github中有很多开源项目可供选择，下面将介绍几种常用的开源ocr项目。【本文地址】
今日新闻 |
推荐新闻 |