BetterOCR Download - BetterOCR Download Kode Sumber

BetterOCR

Kode sumber lainnya

v1.2.0 (? Pororo OCR)

Unduh

Lebih baik

? Deteksi teks yang lebih baik dengan menggabungkan beberapa mesin OCR dengan? Llm.

OCR masih menyebalkan! ... Terutama ketika Anda dari sisi lain dunia (dan menghadapi kurangnya data pelatihan yang signifikan dalam bahasa Anda) - atau tidak senang dengan hasil yang bising.

Betterocr menggabungkan hasil dari beberapa mesin OCR dengan LLM untuk memperbaiki & merekonstruksi output.

? Mesin OCR

Saat ini mendukung Easyocr (Jaidedai), Tesseract (Google), dan Pororo (KakaoBrain).

Untuk pororo, kami menggunakan kode dari https://github.com/black7375/korean_ocr_using_pororo
(Pra-pemrosesan ➡️ Deteksi teks dengan Easyocr ➡️ Pengenalan teks dengan Brainocr (Modul OCR Pororo)).
Pororo hanya digunakan jika opsi bahasa ( lang ) yang ditentukan termasuk ?? Bahasa Inggris ( en ) atau ?? Korea ( ko ). Juga dependensi tambahan yang tercantum dalam [tool.poetry.group.pororo.dependencies] harus tersedia. (Jika tidak, secara otomatis akan dikecualikan dari mesin yang diaktifkan.)

? Llm

Mendukung model obrolan dari Openai.

? Konteks khusus

Memungkinkan pengguna untuk memberikan konteks opsional untuk menggunakan kata kunci tertentu seperti kata benda dan nama produk yang tepat. Ini membantu dalam koreksi ejaan dan identifikasi kebisingan, memastikan akurasi bahkan dengan kata -kata yang jarang atau tidak konvensional.

? ️ Sumber Daya

Pergi ke? Contoh untuk melihat performace berdasarkan bahasa (??, ??, ??).
Segera hadir: ~~Deteksi kotak~~ ? ✅, antarmuka yang lebih baik ?, Dukungan async, dan banyak lagi. Kontribusi disambut.

Peringatan
Paket ini sedang dalam pengembangan cepat?

Arsitektur

Penggunaan (WIP)

pip install betterocr
# pip3 install betterocr

 import betterocr

# text detection
text = betterocr . detect_text (
    "demo.png" ,
    [ "ko" , "en" ], # language codes (from EasyOCR)
    context = "" , # (optional) context
    tesseract = {
      # Tesseract options here
      "config" : "--tessdata-dir ./tessdata"
    },
    openai = {
      # OpenAI options here

      # `os.environ["OPENAI_API_KEY"]` is used by default
      "API_KEY" : "sk-xxxxxxx" ,

      # rest are used to pass params to `client.chat.completions.create`
      # `{"model": "gpt-4"}` by default
      "model" : "gpt-3.5-turbo" ,
    },
)
print ( text )

? Deteksi kotak

Asli	Terdeteksi

Contoh skrip: https://github.com/junhoyeo/betterocr/blob/main/examples/detect_boxes.py (menggunakan opencv dan matplotlib untuk menggambar persegi panjang)

 import betterocr

image_path = ".github/images/demo-1.png"
items = betterocr . detect_boxes (
    image_path ,
    [ "ko" , "en" ],
    context = "퍼멘테이션 펩타인 아이케어 크림" ,  # product name
    tesseract = {
        "config" : "--psm 6 --tessdata-dir ./tessdata -c tessedit_create_boxfile=1"
    },
)
print ( items )

Lihat output

[
  { 'text' : 'JUST FOR YOU' , 'box' : [[ 543 , 87 ], [ 1013 , 87 ], [ 1013 , 151 ], [ 543 , 151 ]]},
  { 'text' : '이런 분들께 추천드리는 퍼멘테이션 펩타인 아이케어 크림' , 'box' : [[ 240 , 171 ], [ 1309 , 171 ], [ 1309 , 224 ], [ 240 , 224 ]]},
  { 'text' : '매일매일 진해지는 다크서클을 개선하고 싶다면' , 'box' : [[ 123 , 345 ], [ 1166 , 345 ], [ 1166 , 396 ], [ 123 , 396 ]]},
  { 'text' : '축축 처지는 피부를 탄력 있게 바꾸고 싶다면' , 'box' : [[ 125 , 409 ], [ 1242 , 409 ], [ 1242 , 470 ], [ 125 , 470 ]]},
  { 'text' : '나날이 늘어가는 눈가 주름을 완화하고 싶다면' , 'box' : [[ 123 , 479 ], [ 1112 , 479 ], [ 1112 , 553 ], [ 123 , 553 ]]},
  { 'text' : 'FERMENATION' , 'box' : [[ 1216 , 578 ], [ 1326 , 578 ], [ 1326 , 588 ], [ 1216 , 588 ]]},
  { 'text' : '민감성 피부에도 사용할 수 있는 아이크림을 찾는다면' , 'box' : [[ 134 , 534 ], [ 1071 , 534 ], [ 1071 , 618 ], [ 134 , 618 ]]},
  { 'text' : '얇고 예민한 눈가 주변 피부를 관리하고 싶다면' , 'box' : [[ 173 , 634 ], [ 1098 , 634 ], [ 1098 , 690 ], [ 173 , 690 ]]}
]

? Contoh

Catatan
Hasil dapat bervariasi karena variabilitas yang melekat dan potensi pembaruan di masa depan untuk mesin OCR atau API OpenAI.

Contoh 1 (Bahasa Inggris dengan Noise)

Sumber	Teks
Easyocr	`CHAINSAWMANChapter 109:The Easy Way to Stop Bullying~BV-THTSUKIFUUIMUTU ETT`
Tesseract	`A ira \| LT ge a TE ay NSnye SE F Pa Ce YI AIG 44nopr See aCn; a) Ny 7S =u \|n_ F2 SENNn ZRn3 ~ 1 A Ws —— “s 7 “An=) 24 4 = rt fl /1n£72 7 a NS dA Chapter 109:77/ ¢ 4nZz % = ~ oes os \| STheEasf Way.to Stop Bullying:n© Wa) ROTnn`
Pororo	`CHAINSAWNANnChapter 109nThe Easy Way.to Stop Bullying.nCBY=TATSUKI FUJIMDTO`
Llm	? GPT-3.5
Hasil	`CHAINSAW MANnnChapter 109: The Easy Way to Stop BullyingnnBY: TATSUKI FUJIMOTO`

Contoh 2 (Korea+Bahasa Inggris)

Sumber	Teks
Easyocr	`JUST FOR YOU이런 분들께 추천드리는 퍼멘테이선 팬타인 아이켜어 크림매일매일 진해지논 다크서클올 개선하고 싶다면축축 처지논 피부름 탄력 잇게 바꾸고 싶다면나날이 늘어가는 눈가 주름올 완화하고 싶다면FERMENATION민감성 피부에도 사용할 수잇는 아이크림올 찾는다면얇고 예민한 눈가 주변 피부름 관리하고 싶다면`
Tesseract	`9051 508 ㅇ4n이런 분들께 추천드리는 퍼멘테이션 타인 아이케어 크림n.매일매일 진해지는 다크서클을 개선하고 싶다면 "도nㆍ축축 처지는 피부를 탄력 있게 바꾸고 싶다면 7nㆍ나날이 늘어가는 눈가 주름을 완화하고 싶다면 /n-민감성 피부에도 사용할 수 있는 아이크림을 찾는다면 (프nㆍ않고 예민한 눈가 주변 피부를 관리하고 싶다면 밸nn`
Pororo	`JUST FOR YOUn이런 분들께 추천드리는 퍼맨테이션 펩타인 아이케어 크림n매일매일 진해지는 다크서클을 개선하고 싶다면n촉촉 처지는 피부를 탄력 있게 바꾸고 싶다면n나날이 늘어가는 눈가 주름을 완화하고 싶다면nFERMENTATIOMn민감성 피부에도 사용할 수 있는 아이크림을 찾는다면n얇고 예민한 눈가 주변 피부를 관리하고 싶다면`
Llm	? GPT-3.5
Hasil	`JUST FOR YOUn이런 분들께 추천드리는 퍼멘테이션 펩타인 아이케어 크림n매일매일 진해지는 다크서클을 개선하고 싶다면n축축 처지는 피부를 탄력 있게 바꾸고 싶다면n나날이 늘어가는 눈가 주름을 완화하고 싶다면nFERMENTATIONn민감성 피부에도 사용할 수 있는 아이크림을 찾는다면n얇고 예민한 눈가 주변 피부를 관리하고 싶다면`

Contoh 3 (Korea dengan `context` khusus)

Sumber	Teks
Easyocr	`바이오함보#세로모공존존세럼6글로우픽 설문단 100인이꼼꼼하게 평가햇어요"#누적 판매액 40억#제품만족도 1009`
Tesseract	`바이오힐보n#세로모공폰폰세럼n“글로 으피 석무다 1 00인이n꼼꼼하게평가했어요”nn`
Pororo	`바이오힐보n#세로모공쫀쫀세럼n'.n'글로우픽 설문단 100인이n꼼꼼하게 평가했어요'"n#누적 판매액 40억n# 제품 만족도 100%`
Konteks	`[바이오힐보] 세로모공쫀쫀세럼으로 콜라겐 타이트닝! (6S)`
Llm	? GPT-4
Hasil	`바이오힐보n#세로모공쫀쫀세럼n글로우픽 설문단 100인이 꼼꼼하게 평가했어요n#누적 판매액 40억n#제품 만족도 100%`

? Penalaran llm (*tua)

Berdasarkan hasil OCR yang diberikan dan konteksnya, berikut adalah hasil gabungan dan dikoreksi:

 {
  "data": "바이오힐보n#세로모공쫀쫀세럼n글로우픽 설문단 100인이 꼼꼼하게 평가했어요n#누적 판매액 40억n#제품만족도 100%"
}

바이오힐보 adalah nama merek yang benar, diambil dari [1] dan konteksnya.
#세로모공쫀쫀세럼 tampaknya menjadi nama produk dan berasal dari konteksnya.
글로우픽 설문단 100인이 꼼꼼하게 평가했어요 평가했어요 diekstraksi dan dikoreksi dari kedua hasil OCR.
#누적 판매액 40억 diambil dari [0].
#제품만족도 100% dikoreksi dari [0].

Contoh 4 (Hindi)

Sumber	Teks
Easyocr	`७नवभारतटाइम्सतोक्यो ओलिंपिक के लिए भारतीय दलका थीम सॉन्ग लॉन्च कर दिया गयाबुधवार को इस सॉन्ग को किया गया लॉन्चसिंगर मोहित चौहान ने दी है आवाज7लखेल मंत्री किरण रिजिजू ने ट्विटर पर शेयरकिया थीम सॉन्ग का वीडियो0ब४0 २०२०गीत का नाम- '्लक्ष्य तेरा सामने है' , खेलमंत्री ने ५७ सेकंड का वीडियो किया शेयर
Tesseract	'8ा.nनवभोरत टैइम्सnnतोक्यो ओलिंपिक के लिंए भारतीय दलnnका थीम सॉन्ग लॉन्च कर दिया गयाnnबुधवार को हस सॉन्ग को किया गया लॉन्चnसिंगर मोहित चौहान ने दी है आवाजnnखेल मंत्री किरण रिजिजू ने द्विटर पर शेयरnकिया थीम सॉन्ग का वीडियोnnपृ 0 (९ है 0 2 0 2 0 गीत का नाम- 'लक्ष्य तेरा सामने है', खेलnn(2 (9९) मंत्री ने 57 सेकंड का वीडियो किया शेयरnn
Llm	? GPT-4
Hasil	नवभारत टाइम्सnतोक्यो ओलिंपिक के लिए भारतीय दल का थीम सॉन्ग लॉन्च कर दिया गयाnबुधवार को इस सॉन्ग को किया गया लॉन्चnसिंगर मोहित चौहान ने दी है आवाजnnखेल मंत्री किरण रिजिजू ने ट्विटर पर शेयर किया थीम सॉन्ग का वीडियोn2020 गीत का नाम- 'लक्ष्य तेरा सामने है', खेल मंत्री ने 57 सेकंड का वीडियो किया शेयर

Lisensi (Starmie!)

Jika Anda menemukan proyek ini menarik, silakan pertimbangkan untuk memberikan bintang () dan mengikuti saya di GitHub. Saya kode 24/7 dan mengirimkan hal-hal yang memecahkan pikiran secara teratur, jadi dukungan Anda pasti tidak akan sia-sia!

Memperluas

Informasi Tambahan