【回顾】支持 90+ 语言的文档 OCR 工具包
共 1693字，需浏览 4分钟
·
2024-07-23 19:30
大家好，又见面了，我是 GitHub 精选君！
背景介绍
随着科技的发展和全球化的进程，我们经常遇到需要处理多语种文档的情况，例如商业合同、学术论文等。然而，当前主流的 OCR（Optical Character Recognition 光学字符识别）工具或许可以精准地识别英文文本，但对其他语种的文本识别能力却略显薄弱。此外，真实世界的文档常常包含表格、图表等复杂布局，充斥着线性、非线性排列的文本，这也增加了文本识别的难度。因此，我们急需一个精确度高、支持多语种、能智能识别文本和表格的 OCR 工具。
今天要给大家推荐一个 GitHub 开源项目 VikParuchuri/surya，该项目在 GitHub 有超过 3.5k Star，一句话介绍该项目：Accurate line-level text detection and recognition (OCR) in any language.
项目介绍
Surya 一个多语言文档 OCR 工具包。其功能不仅包括精确的行级文本检测，还将解决更为复杂的文本识别和表格/图表识别问题。该项目对多种文档和语言作了优化，可应用于新闻、科学论文、扫描文件等众多场景。
以下是 Surya 与 Tesseract 的性能对比：
如何使用
你需要有 python 3.9+ 版本和 PyTorch，然后你可以用命令 pip install surya-ocr 来安装。模型将在你第一次运行 surya 时自动下载。在运行程序时，可以通过环境变量来更改 surya/settings.py 中的设置。您还可以用以下代码检测文本行：
from PIL import Image
from surya.detection import batch_detection
from surya.model.segformer import load_model, load_processor
image = Image.open(IMAGE_PATH)
model, processor = load_model(), load_processor()
# predictions is a list of dicts, one per image
predictions = batch_detection([image], model, processor)更多语言的代码示例项目也提供了：
项目推介
尽管 Surya 仍处于初期阶段，其精准度和效率在一定程度上已经超过了如 Tesseract 等其他 OCR 工具，且将逐渐开发出对文本识别和表格/图表识别的功能。
以下是该项目 Star 趋势图（代表项目的活跃程度）：
更多项目详情请查看如下链接。
开源项目地址：https://github.com/VikParuchuri/surya
开源项目作者：VikParuchuri
开源协议：GNU General Public License v3.0
关注我们，一起探索有意思的开源项目。
点击如下卡片后台回复：加群，与技术极客们一起交流人工智能、开源项目，一起成长。如果你正在寻求开源项目推广、DevOps、AIGC 大模型、软件开发等领域的付费服务，可参考推文了解详情。