项目介绍
EasyOCR 是一个强大且多功能的光学字符识别工具,专为需要从图像中提取文本的开发者设计。它支持超过80种语言和书写体系,包括拉丁文、中文、阿拉伯文、天城文、西里尔文等。这种全面的语言覆盖使其适用于广泛的场景,从文档扫描到标志翻译。
路牌精准识别
特点
EasyOCR是一款支持本地或云端部署、具备高精度识别能力、高度可定制且能处理复杂版式与非文本元素的先进OCR工具,配备半自动标注工具以简化数据准备流程。
-
本地部署或云API:EasyOCR 可以在本地服务器上部署,也可以通过云API服务使用,提供灵活的选择以满足特定需求。
-
高精度:能够根据用户的数据将准确度提升至99%以上,确保文本提取的可靠性。
-
高度可定制:完全可定制化,支持80多种语言,并允许用户用自己的数据训练模型。
-
版式识别:EasyOCR 能够识别复杂的版式结构,如表格和表单。
-
条码与二维码提取:可以提取图像中的签名、二维码和条形码。
-
半自动标注工具:简化了数据集的标注过程,提高效率并减少人工劳动。
开源成就
目前已经取得23.1K Star
主要功能
EasyOCR 的核心功能包括:
-
支持多种语言和书写体系的文本识别。
-
布局分析,用于理解并从结构化的文档中提取文本,例如表格和表单。
-
提取额外元素,如条形码、二维码和签名。
安装指南
为了安装 EasyOCR,请使用 pip
获取最新稳定版本:
pip install easyocr
对于最新的开发版本,使用:
pip install git+https://github.com/JaidedAI/EasyOCR.git
在 Windows 系统上,需先根据官方 PyTorch 指南安装
torch
和torchvision
。如果仅使用 CPU 运行,则在安装时选择 CUDA=None。
使用示例
首先,导入库并初始化 Reader
类,指定所需的语言,这里我们用中文
import easyocr reader = easyocr.Reader(['ch_sim','en']) result = reader.readtext('路牌.png') for res in result: print(res)
识别结果
No. | Text | Confident Score |
---|---|---|
0 | 西 | 0.3276 |
1 | 凤台路 | 0.7183 |
2 | 末来路 | 0.4655 |
3 | [89 | 0.0066 |
4 | 7。; | 0.0002 |
5 | 尺4 | 0.0218 |
6 | 凤凰东路 | 0.8949 |
7 | 凤鸣路 | 0.9243 |
8 | 「89 | 0.0139 |
9 | 怊49 | 0.0002 |
10 | 旧) | 0.028 |
11 | 尉 | 0.0019 |
12 | 「89 | 0.0133 |
13 | 英协路 | 0.7195 |
14 | 川9 | 0.0016 |
15 | 尺4 | 0.0587 |
16 | 货站街 | 0.9771 |
17 | 金水路 | 0.9369 |
18 | 勺;^ :^ | 0.0468 |
图片识别标注
命令行运行
通过命令行执行 OCR,命令如下:
easyocr -l ch_sim en -f chinese.jpg --detail=1 --gpu=True
此命令将在图像 chinese.jpg
上进行 OCR 处理,使用中文和英文作为目标语言,并显示详细输出,利用 GPU 加速。
EasyOCR 为希望在其应用程序中集成 OCR 功能的开发者提供了强大的解决方案,具有广泛的语言支持、高精度以及可定制性。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。