studioone精调效果包_cnocr: 极简的中文OCR Python包

Update 2020.04.21: 发布 cnocr V1.1.0

更轻量的 cnocr-V1.1.0 ：最小模型只有 6.8M。具体说明见：

BreezeDeus：更轻量的 cnocr-V1.1.0 ：最小模型只有 6.8Mzhuanlan.zhihu.com

Update 2019.07.25: 发布 cnocr V1.0.0

cnocr发布了预测效率更高的新版本v1.0.0。具体说明见

https://github.com/breezedeus/cnocr/blob/master/README_cn.mdgithub.com

主要更新如下：

crnn模型支持可变长预测，提升预测效率
支持利用特定数据对现有模型进行精调（继续训练）
修复bugs，如训练时accuracy一直为0等

虽然现在的对话机器人主要理解的还是用户的文本信息，但对图片（尤其是表情）、视频和语音的理解，也逐渐地会成为机器人的标配能力。

理解图片的一种最简单的方式，就是识别图片中的文字，做这个事的技术主要有两种：OCR（Optical Character Recognition，光学字符识别），或者STR（Scene Text Recognition，场景文字识别）。

OCR主要针对文字比较规范，没什么底色或底色单一的图片，类文字扫描后获得的图片，如：

STR针对的图片是更一般的复杂场景，比如随手拍的照片中广告牌上的文字，店铺名称等，如：

显然STR比OCR难得多，所以使用的方法也会更复杂更耗资源。很多应用场景使用OCR技术就足够了。

因为项目需要，我之前找了下已有可用的开源中文OCR工具，发现居然没有特别好用的。所以就自己封装了一个中文OCR Python包，称之为 cnocr（Chinese OCR的简称），项目地址为：

https://github.com/breezedeus/cnocrgithub.com

cnocr主打使用简单，功能极简。

以下是使用说明，欢迎大家试用，帮忙提issue。

cnocr

cnocr是用来做中文OCR的Python 3包。cnocr自带了训练好的识别模型，所以安装后即可直接使用。

目前使用的识别模型是crnn，识别准确度约为 98.7%。

本项目起源于我们自己 (爱因互动 Ein+) 内部的项目需求，所以非常感谢公司的支持。

特色

本项目的大部分代码都fork自 crnn-mxnet-chinese-text-recognition，感谢作者。但源项目使用起来不够方便，所以我在此基础上做了一些封装和重构。主要变化如下：

不再使用需要额外安装的MXNet WarpCTC Loss，改用原生的 MXNet CTC Loss。所以安装极简！
自带训练好的中文OCR识别模型。不再需要额外训练！
增加了预测（或推断）接口。所以使用方便！

安装

pip install cnocr

注意：请使用Python3 (3.4, 3.5, 3.6以及之后版本应该都行)，没测过Python2下是否ok。

使用方法

以如下图片文件为例，文件内容如下：

预测

代码引用

from cnocr import CnOcr
ocr = CnOcr()
res = ocr.ocr_for_single_line('examples/rand_cn1.png')
print("Predicted Chars:", res)

首次使用cnocr时，系统会自动从Dropbox下载zip格式的模型压缩文件，并存于 ~/.cnocr目录。下载后的zip文件代码会自动对其解压，然后把解压后的模型相关文件放于~/.cnocr/models目录。如果系统不能自动从Dropbox成功下载zip文件，则需要手动下载此zip文件并把它放于 ~/.cnocr目录。另一个下载地址是百度云盘(提取码为pg26)。放置好zip文件后，后面的事代码就会自动执行了。

上面预测代码段的返回结果如下：

Predicted Chars: ['笠', '淡', '嘿', '骅', '谧', '鼎', '皋', '姚', '歼', '蠢', '驼', '耳', '胬', '挝', '涯', '狗', '蒽', '子', '犷']

脚本引用

也可以使用脚本模式预测：

python scripts/cnocr_predict.py --file examples/rand_cn1.png

返回结果和前面相同：

Predicted Chars: ['笠', '淡', '嘿', '骅', '谧', '鼎', '皋', '姚', '歼', '蠢', '驼', '耳', '胬', '挝', '涯', '狗', '蒽', '子', '犷']

训练自己的模型

cnocr安装后即可直接使用，但如果你非要训练自己的模型，请参考下面命令：

python scripts/cnocr_train.py --cpu 2 --num_proc 4 --loss ctc --dataset cn_ocr

未来工作

支持空格识别
修bugs（目前代码还比较凌乱。。）
完善测试用例
考虑使用MxNet的命令式编程重写代码，提升灵活性
尝试新模型，如 DenseNet、ResNet，进一步提升识别准确率