Download BetterOCR - download do código -fonte BetterOCR

BetterOCR

Outro código-fonte

v1.2.0 (? Pororo OCR)

Baixar

Melhorocr

? Melhor detecção de texto combinando vários motores OCR com? Llm.

OCR ainda é péssimo! ... especialmente quando você é do outro lado do mundo (e enfrenta uma falta significativa de dados de treinamento em seu idioma) - ou simplesmente não está emocionado com resultados barulhentos.

O Betterocr combina resulta de vários mecanismos OCR com um LLM para corrigir e reconstruir a saída.

? Motores OCR

Atualmente, suporta easyocr (Jaidedai), Tesseract (Google) e Pororo (Kakaobrain).

Para Pororo, estamos usando o código de https://github.com/black7375/korean_ocr_using_pororo
(Pré-processamento ➡️ Detecção de texto com easyocr ➡️ Reconhecimento de texto com Brainocr (módulo OCR de Pororo)).
Pororo é usado apenas se as opções de idioma ( lang ) especificadas incluirem ?? Inglês ( en ) ou ?? Coreano ( ko ). Além disso, as dependências adicionais listadas em [tool.poetry.group.pororo.dependencies] devem estar disponíveis. (Caso contrário, será automaticamente excluído dos motores ativados.)

? Llm

Suporta modelos de bate -papo do OpenAI.

? Contexto personalizado

Permite que os usuários forneçam um contexto opcional para usar palavras -chave específicas, como substantivos e nomes de produtos adequados. Isso auxilia a correção de ortografia e a identificação de ruído, garantindo a precisão, mesmo com palavras raras ou não convencionais.

? Resources

Vá até? Exemplos para visualizar o performance por idiomas (??, ??, ??).
Em breve: ~~Detecção de caixa~~ ? ✅, interface aprimorada?, Suporte assíncrono e muito mais. Contribuições são bem -vindas.

Aviso
Este pacote está sob rápido desenvolvimento?

Arquitetura

Uso (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 )

? Detecção de caixa

Original	Detectado

Exemplo de script: https://github.com/junhoyeo/betterocs/blob/main/examples/detect_boxes.py (usa OpenCV e Matplotlib para desenhar retângulos)

 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 )

Visualizar saída

[
  { '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 ]]}
]

? Exemplos

Observação
Os resultados podem variar devido à variabilidade inerente e às possíveis atualizações futuras dos mecanismos OCR ou à API OpenAI.

Exemplo 1 (inglês com ruído)

Fonte	Texto
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
Resultado	`CHAINSAW MANnnChapter 109: The Easy Way to Stop BullyingnnBY: TATSUKI FUJIMOTO`

Exemplo 2 (coreano+inglês)

Fonte	Texto
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
Resultado	`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`

Exemplo 3 (coreano com `context` personalizado)

Fonte	Texto
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%`
Contexto	`[바이오힐보] 세로모공쫀쫀세럼으로 콜라겐 타이트닝! (6S)`
Llm	? GPT-4
Resultado	`바이오힐보n#세로모공쫀쫀세럼n글로우픽 설문단 100인이 꼼꼼하게 평가했어요n#누적 판매액 40억n#제품 만족도 100%`

? LLM Raciocínio (*antigo)

Com base nos resultados do OCR e no contexto, aqui está o resultado combinado e corrigido:

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

바이오힐보 é a marca correta, retirada de [1] e o contexto.
#세로모공쫀쫀세럼 parece ser o nome do produto e é derivado do contexto.
글로우픽 설문단 100인이 꼼꼼하게 평가했어요 .
#누적 판매액 40억 é retirado de [0].
#제품만족도 100% é corrigido de [0].

Exemplo 4 (hindi)

Fonte	Texto
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
Resultado	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

Licença (Starmie!)

Se você achar esse projeto interessante, considere dar -lhe uma estrela () e me seguir no Github. Código 24 horas por dia, 7 dias por semana, e envio as coisas impressionantes regularmente, para que seu apoio definitivamente não seja em vão!

Expandir

Informações adicionais