OCR开源项目对比总结

OCR是什么？

光学字符识别（Optical Character Recognition, OCR）是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。亦即将图像中的文字进行识别，并以文本的形式返回。

目前发展现状

ocr的发展已经有了非常多的积累，一般人或者企业使用， 都是直接使用第三方的服务，目前提供第三方服务的大企业也非常多，百度，阿里云，腾讯等等，都提供了非常方便的api接口，可以进行调用，识别的速度、精确度和效果也都是非常不错的。唯一的缺点就是api的调用是需要收费的，对于调用频次不高的个人和企业，这个费用还是非常低的。

为什么企业要使用开源的而不是直接使用api服务？

目前因为公司的现状，使用开源的有几个目的

  • 每天调用的频次比较高 ， 以后可能越来越高， 所以基于费用的考虑是最主要的。
  • 目前ocr的算法研究基本趋于成熟，并且目前对识别的精度要求不是太高，目前开源项目基本能够满足
  • 对于cv和深度学习进行一定程度的积累和了解，为后续工作做一些铺垫
  • 学习开源ocr的模型构建，方便后续对于模型的更新

    • 目前开源的项目现状

    目前针对ocr的相关开源项目也还是有不少的，作者正好是公司也需要类似的功能，所以做了一些简单的调研，在这里进行记录。

    对于调研不准确的希望大家指出

  • Tesseract
  • PaddleOCR
  • EasyOCR
  • chineseocr
  • chineseocr_lite
  • TrWebOCR
  • cnocr

    • tesseract

    Tesseract 是谷歌开发并开源的图像文字识别引擎，使用python开发。

  • github上面star非常多，项目非常活跃
  • 识别的语言和文字非常多
  • 后面做背书的公司非常强（google）
  • 不是专门针对中文场景
  • 相关文档主要是英文，对于阅读和理解起来有一定困难
  • 学习成本比较高
  • 源码较多，并且部分源码是c++，学习起来难度比较大

    • 所以针对目前公司的现状，放弃了这个项目的学习和调研

    PaddleOCR

    PaddleOCR 是百度开源的中文识别的ocr开源软件

  • github上面star非常多，项目非常活跃
  • 模型只针对中文进行训练
  • 后面做背书的公司非常强（baidu）
  • 相关的中文文档非常齐全
  • 识别的精确度比较高
  • 目前使用的训练模型是基于百度公司自己的PaddlePaddle框架，对于小公司来说并不主流（对比于ts或者pytorch），所使用深度学习框架为后续其他深度学习无法做很好的铺垫
  • 项目整体比较复杂，学习成本较高

    • EasyOCR

    EasyOCR 是一个用 Python 编写的 OCR 库，用于识别图像中的文字并输出为文本，支持 80 多种语言。

  • github上面的star也是比较多，但是最近不是特别活跃
  • 支持的语言也是非常多的，多达80多种
  • 识别的精确度尚可
  • 从官方的页面体验来说识别的速度较慢
  • 识别的文字种类多，学习难度较高
  • 相关的官方文档是基于英文的，学习难度较高，对于新手不太友好

    • chineseocr

    chineseocr

  • github上面的star也是比较多
  • 专门针对中文进行学习和训练的模型
  • 相关的文档比较多，上手相对比较容易
  • 因为没有大厂和公司的背书， 所以存在一些bug
  • 对于复杂场景下的效果不佳
  • 模型都是现成的，如果要新训练模型难度比较高

    • chineseocr_lite

    chineseocr_lite

  • github上面的star也是比较多
  • 专门针对中文进行学习和训练的模型
  • 相关的文档比较多，上手相对比较容易
  • 比较轻量级，部署也比较方便

    • TrWebOCR

    TrWebOCR

  • 有对应的web页面，测试方便
  • 有对应的web接口，方便调用
  • 核心模型不开源，无法进行再次学习
  • 无法进行后续训练
  • 必须要联网才能使用
  • 精度识别一般
  • 项目不是很活跃

    • cnocr

    cnocr

  • 代码全部开源，可以进行修改
  • 预定义的模型较多
  • 便于学习和模型重新训练
  • 精确度不高
  • 没有对应的web界面和接口