开源的OCR工具基本使用：PaddleOCR/Tesseract/CnOCR

前言

因项目需要，调研了一下目前市面上一些开源的OCR工具，支持本地部署，非调用API，主要有PaddleOCR/CnOCR/chinese_lite OCR/EasyOCR/Tesseract/chineseocr/mmocr这几款产品。
本文主要尝试了EasyOCR/CnOCR/Tesseract/PaddleOCR这四款产品。

EasyOCR

EasyOCR官方仓库：https://github.com/JaidedAI/EasyOCR
安装EasyOCR：

pip install easyocr

测试例程

import easyocr
reader = easyocr.Reader(['ch_sim','en']) # this needs to run only once to load the model into memory
result = reader.readtext('chinese.jpg')

实测EasyOCR对cuda的要求比较严格，在一个pytorch正常的环境中，运行之后会报错：

Could not load symbol cublasGetSmCountTarget from cublas64_11.dll. Error code 127

#833提到了该问题，谈及原因可能是cuda和cudnn不匹配，更换cudnn之后，报错仍未消失，遂暂置不提。

CnOCR

CnOCR官方仓库：https://github.com/breezedeus/CnOCR
CnOCR安装：

pip install cnocr

CnOCR的环境要求比较严格，其在requirements.txt写了非常多的依赖版本号，因此如果在现有环境中直接安装，它会将Pytorch等依赖卸载重装，比较坑，使用最好先单开新环境。

测试例程：

from cnocr import CnOcrimg_fp = 'img/output_2.png'
ocr = CnOcr()  # 所有参数都使用默认值
out = ocr.ocr(img_fp)
print(out)

实测在我的业务场景下，使用默认模型效果不太行。

Tesseract

Tesseract官方仓库：https://github.com/tesseract-ocr/tesseract
Tesseract是用C++进行开发的，因此如果要在python中进行使用，需要借助第三方依赖pytesseract

首先需要在本机上安装Tesseract
安装包下载地址：https://digi.bib.uni-mannheim.de/tesseract/
安装过程可参考：https://blog.csdn.net/weixin_51571728/article/details/120384909
配置完成后，在命令行输入tesseract -v打印出版本信息则表示安装成功。

之后安装pytesseract：

pip install pytesseract

测试例程

img_path = 'img/img_1.png'
# 添加tesseract的路径
pytesseract.pytesseract.tesseract_cmd = r'C:\Users\zxy\AppData\Local\Programs\Tesseract-OCR\tesseract.exe'
"""
image_to_string()：如果识别英文或数字可以不必额外参数，如果识别其他语言则需要加上lang参数
lang='chi_sim'表示要识别的是中文简体
没有识别出来时，返回空白
"""
text = pytesseract.image_to_string(Image.open(img_path), lang='chi_sim')
print(text)

实测这个效果在我的场景也表现一般，并且tesseract对于中英文有不同的模型，泛用性不是很好。

PaddleOCR

PaddleOCR是百度旗下的产品，目前已经迭代到第四版。
PaddleOCR官方仓库：https://github.com/PaddlePaddle/PaddleOCR
PaddleOCR安装：

pip install paddleocr

测试例程：

import cv2
from paddleocr import PaddleOCRif __name__ == '__main__':ocr = PaddleOCR(use_angle_cls=True, lang="ch", ocr_version='PP-OCRv4')image_input_fullname = 'img/output_5.png'img = cv2.imread(image_input_fullname)result = ocr.ocr(img, cls=True)print(result)

根据PP-OCRv4的介绍文档，PP-OCRv4在训练时以(32,320), (48,320), (64,320)三个不同尺度上进行训练。

实测发现当文字区域小于这个范围时，效果会受到影响，因此，可以引入padding策略，即在文字区域范围周边加一圈白边，使输入模型的图片分辨率提升。

import cv2
from paddleocr import PaddleOCRdef add_padding_to_image(image, output_size=(640, 640), color=(255, 255, 255)):h, w = image.shape[:2]# 计算需要添加的padding大小delta_w = max(output_size[0] - w, 0)delta_h = max(output_size[1] - h, 0)top, bottom = delta_h // 2, delta_h - (delta_h // 2)left, right = delta_w // 2, delta_w - (delta_w // 2)# 添加paddingpadded_image = cv2.copyMakeBorder(image, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color)return padded_imageif __name__ == '__main__':ocr = PaddleOCR(use_angle_cls=True, lang="ch", ocr_version='PP-OCRv4')image_input_fullname = 'img/output_5.png'img = cv2.imread(image_input_fullname)padded_img = add_padding_to_image(img)result = ocr.ocr(img, cls=True)print(result)

在我的业务场景中，PaddleOCR的表现最好，基本能达到80%以上的识别准确率，如果还需要提升，还可以根据自己的数据再训练。

标注工具：PPOCRLabelv2
使用文档：https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.5/PPOCRLabel/README_ch.md
训练文档：https://aistudio.baidu.com/modelsdetail/270?modelId=270