整理纸质文件、扫描件，文字却复制不出来？OCR 就是把图片里的文字转换成可以复制的文本。今天实测了开源的 Indra OCR，只用 CPU 就能运行。 原理… · @awe0_io · TwKit

@awe0_io

整理纸质文件、扫描件，文字却复制不出来？OCR 就是把图片里的文字转换成可以复制的文本。今天实测了开源的 Indra OCR，只用 CPU 就能运行。 原理： 先把拍歪的页面转正、识别出每一行文字，再把每一行交给四个小型识别器中的一个处理，其中中文、日文、韩文都有专用识别器。分工让每个模型都很小，主识别器大约只有 125 万个参数。 跟谁比： 根据官方公布的文字识别分数，Indra OCR 是老牌免费工具 Tesseract 的两倍多；但开源的 PaddleOCR 在完整流程中的文字识别准确率更高。想要模型小、能靠 CPU 运行，就选 Indra；追求最高识别准确率，就选 PaddleOCR。 实测： 拍歪的菜单，每张处理大约只需要半秒钟。不过有个坑：中英文混排时，较短的中文经常被误识别成英文字母（例如“热可可”被识别成“J”），需要人工复核。 另外，模型仅对个人、研究用途和小型初创企业免费开放。 GitHub：https://github.com/datalab-to/indra

曝光 274 · 评论 2 · 点赞 1 · 书签 2