V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
woshichuanqilz
V2EX  ›  Python

中文本地 ocr 识别, tesseract 有没有训练好的中文字库?

  •  
  •   woshichuanqilz · 2018-01-21 13:40:00 +08:00 · 16048 次点击
    这是一个创建于 2506 天前的主题,其中的信息可能已经有所发展或是发生改变。

    需要在本地使用 ocr 识别, 但是 tesseract 对中文的支持不怎么好, 查了一下需要训练中文字库。感觉有点麻烦,有没有训练好的字库?或者其他的方法可以实现本地的中文识别。

    16 条回复    2023-05-08 18:04:31 +08:00
    wshedu
        1
    wshedu  
       2018-01-21 14:07:43 +08:00
    百度和腾讯云都有 ocr 在线识别。
    goodan
        2
    goodan  
       2018-01-21 14:10:03 +08:00 via iPhone   ❤️ 1
    @wshedu #1 你看清楚楼主说什么了吗……
    woyaojizhu8
        3
    woyaojizhu8  
       2018-01-21 14:24:02 +08:00
    不存在的,中文识别只有 abbyy 文通和汉王
    Genii
        4
    Genii  
       2018-01-21 16:27:50 +08:00 via Android
    /s/1c3FuQFQ
    不知道能不能用
    murmur
        5
    murmur  
       2018-01-21 16:51:10 +08:00
    训练这个东西最好是自己做 除非是标准的印刷体 或者直接像 1 楼说的用云服务不更好
    m939594960
        6
    m939594960  
       2018-01-21 19:03:49 +08:00
    我也有类似的需求,但是都是标准的字体,有没有那种按字体训练好的
    lonelygo
        7
    lonelygo  
       2018-01-21 19:50:03 +08:00
    @woshichuanqilz @m939594960
    如果是标准字体,用 tesseract 3.05 版本,是基于机器学习的方法而不是深度学习,自己准备数据集训练不算难。印刷体可以自己生成对应字体的 tif 文件,人工校对这个工作量不小,真训练过程很快也不难。
    4.0 版本是基于 LSTM 的,算是深度学习的方法了,需要的数据集更大也会更慢,而且官方文档写的比较晦涩,需要结合代码和 3.0*的方法一起理解。
    现成的,那就是 3 楼推荐的了,花钱买吧。
    WispZhan
        8
    WispZhan  
       2018-01-21 20:19:15 +08:00
    tesseract 这玩意,做中文识别很淡疼的。针对不同字体训练库最后弄出来很大很大。特别是字体多了之后……
    zonghua
        9
    zonghua  
       2018-01-21 21:03:16 +08:00 via iPhone
    @WispZhan
    @lonelygo 发现现实中本地真正能用的中文 OCR 方案就是调用 Onenote 的组件咯。
    SatanFu
        10
    SatanFu  
       2018-01-22 10:15:10 +08:00
    https://github.com/tesseract-ocr/tessdata
    这里有一些训练好的数据
    qwertty01
        11
    qwertty01  
       2018-01-22 10:37:45 +08:00
    @lonelygo 现在 4.0 还是 alpha 版本,我看了大半天的文档,愣是没看懂怎么训练。
    lonelygo
        12
    lonelygo  
       2018-01-22 12:35:00 +08:00
    @qwertty01
    对的,写的比较晦涩,要结合:
    training/tesstrain.sh

    training/tesstrain_utils.sh
    看,熟悉 3.0X 的训练,就好理解了。
    faicker
        13
    faicker  
       2018-01-22 13:29:34 +08:00
    4.0 最新的 master,用的这里的已经训练好的字库,https://github.com/tesseract-ocr/tessdata_best
    识别率感觉还行。
    woshichuanqilz
        14
    woshichuanqilz  
    OP
       2018-01-23 11:27:35 +08:00   ❤️ 1
    @faicker 用了, 好一点但是也比较不理想, 谢谢~
    sayyoume
        15
    sayyoume  
       2018-11-12 18:14:03 +08:00
    请问 windows 下 你们是怎么编译通过的?翻墙?
    craftx
        16
    craftx  
       2023-05-08 18:04:31 +08:00
    实测 https://github.com/tesseract-ocr/tessdata_best 的中文训练集较理想,基本满足需求
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   2830 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 22ms · UTC 12:03 · PVG 20:03 · LAX 04:03 · JFK 07:03
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.