8.5K 强强强!!!支持90多种语言的强大OCR

开源日记

发布于 2024-06-11 19:37:45

1170

发布于 2024-06-11 19:37:45

文章被收录于专栏：JVMGCJVMGC

软件介绍

Surya 是一个文档OCR工具包，提供强大的OCR（光学字符识别）和线条检测功能，支持90多种语言。

近期热文:

5.5K Star 强强强!!!PPT在线制作的开源方案13.8K Star开源!这个电子表格厉害了1.5K 强强强!!!开源超强的AI助手,支持多系统OA必备!!!开源一个好看的工作流设计器

OCR： 支持90多种语言的OCR，优于云服务的基准测试；
文本行检测： 可以在任何语言中进行行级文本检测；
排版分析： 包括表格、图像、页眉等的检测；
阅读顺序检测： 有助于文档内容的阅读顺序。

性能对比

surya和tesseract光学字符识别性能对比

surya和tesseract文本行检测性能对比

快速入门

1.安装：安装 surya-ocr 需要 Python 3.9+ 和 PyTorch。首次运行会自动下载模型权重。

pip install surya-ocr

2.文本识别（OCR）：根据示例代码运行OCR，识别图片中的文本信息；

from PIL import Image
from surya.ocr import run_ocr
from surya.model.detection import segformer
from surya.model.recognition.model import load_model
from surya.model.recognition.processor import load_processor

# 读取图像
image = Image.open(IMAGE_PATH)
langs = ["en"]  # 替换为具体语言
det_processor, det_model = segformer.load_processor(), segformer.load_model()
rec_model, rec_processor = load_model(), load_processor()

# 运行 OCR
predictions = run_ocr([image], [langs], det_model, det_processor, rec_model, rec_processor)

3.文本行检测：使用相应的模型进行文本行检测；

from PIL import Image
from surya.detection import batch_text_detection
from surya.model.detection.segformer import load_model, load_processor

# 读取图像
image = Image.open(IMAGE_PATH)
model, processor = load_model(), load_processor()

# 进行文本行检测
predictions = batch_text_detection([image], model, processor)

4.排版分析：使用提供的模型和处理器进行文档的排版分析；

from PIL import Image
from surya.detection import batch_text_detection
from surya.layout import batch_layout_detection
from surya.model.detection.segformer import load_model, load_processor
from surya.settings import settings

# 读取图像
image = Image.open(IMAGE_PATH)
model = load_model(checkpoint=settings.LAYOUT_MODEL_CHECKPOINT)
processor = load_processor(checkpoint=settings.LAYOUT_MODEL_CHECKPOINT)
det_model = load_model()
det_processor = load_processor()

# 进行排版分析
line_predictions = batch_text_detection([image], det_model, det_processor)
layout_predictions = batch_layout_detection([image], model, processor, line_predictions)

5.阅读顺序检测：进行文档内容的阅读顺序检测。

from PIL import Image
from surya.ordering import batch_ordering
from surya.model.ordering.processor import load_processor
from surya.model.ordering.model import load_model

image = Image.open(IMAGE_PATH)
# bboxes应该是一个包含[x1,y1,x2,y2]格式的图像布局框的列表
# 例如，可以从layout_model获取此信息，参见上面的用法示例
bboxes = [bbox1, bbox2, ...]

model = load_model()
processor = load_processor()

# 进行阅读顺序检测
order_predictions = batch_ordering([image], [bboxes], model, processor)