通用端到端OCR模型开源，拒绝多模态大模型降维打击，完全免费、可离线使用，2024最佳开源项目对比盘点整理，无需CA证书即可抓取HTTPS明文的工具，基于eBPF技术实现

通用端到端OCR模型开源，拒绝多模态大模型降维打击，完全免费、可离线使用，2024最佳开源项目对比盘点整理，无需CA证书即可抓取HTTPS明文的工具，基于eBPF技术实现。

在AI-2.0时代，OCR模型的研究难道到头了吗！？
（OCR：一种将图像中的文字转换为可编辑和可搜索文本的技术）

Vary作者团队开源了第一个迈向OCR-2.0的通用端到端模型GOT。

GOT模型效果如何？
话不多说，直接上效果图：

△ 最常用的PDF image转markdown能力

△ 双栏文本感知能力

△ 自然场景以及细粒度OCR能力

△ 动态分辨率OCR能力

△ 多页OCR能力

△ 更多符号的OCR能力

研究团队称，尽管GOT模型表现不错，但也存在一些局限，如更多的语言支持，更复杂的几何图，chart上的OCR性能。

他们说OCR-2.0的研究还远的很，GOT也还有不小提升空间（该项目在数据和算力资源上都是非常受限的）。

正是因为深知GOT以及OCR-2.0的潜力，我们希望通过开源GOT吸引更多的人，放弃VQA，再次投向强感知。都说纯OCR容易背锅，但也正好说明做的不够work，不是吗？

GOT: Towards OCR-2.0
通用OCR模型须要够通用，体现在输入输出都要通用上。

GOT的通用具体表现为：在输入方面，模型支持Scene Text OCR、Document OCR、Fine-grained OCR、More General OCR等任务。

△ 通用OCR模型须“通用”

输出方面，模型同时支持plain texts输出以及可读性强、可编辑的formatted文本输出，如markdown等。

模型的结构和训练方法，采用vision encoder+input embedding layer+decoder的pipeline。

Encoder主体采用带local attention的VITDet架构，不会让CLIP方案的全程global attention在高分辨率下激活太大，炸显存。

Encoder后两层采用Vary的双卷积设计方案。整个Encoder将1024×1024×3的图像压缩为256×1024的image tokens，足以做好A4纸级别的dense OCR。

△ GOT结构与训练流程图

研究团队将整个训练过程分为三个步骤，没有一个阶段锁LLM，过程中没有存在图像到文本的对齐阶段，进而导致损害image token的文字压缩率。

三个训练阶段分别为：

第一阶段：高效预训练encoder，GOT在整个训练过程中，没有A100级别的卡，为了节省资源，该阶段使用小型OPT-125M作为decoder为encoder提供优化方向，快速灌入大量数据。

第二阶段：联合训练encoder-decoder，该阶段GOT的基本结构搭建完成，为上一阶段预训练好的encoder，以及Qwen团队预训练好的Qwen0.5B。

研究团队稍稍加大了decoder的大小，因为该阶段需要喂入大量OCR-2.0的知识，而不少数据（如化学式的OCR）其实也是带点reasoning的，不过更小的decoder他们未敢尝试。

第三阶段：锁住encoder，加强decoder以适配更多的OCR应用场景，如支持坐标或者颜色引导的细粒度OCR（点读笔可能会用到），支持动态分辨率OCR技术（超大分辨率图可能会用到），多页OCR技术。

该feature主要是为了后续follower能更好地训练Arxiv这种数据，我们的设想是多页PDF直接训练，无须再对.tex断页而苦恼！

面对整个GOT模型设计中最困难的数据工程环节。研究团队为了构造各种各样的数据，还学习了众多数据渲染工具，包括Latex，Mathpix-markdown-it，Matplotlib，Tikz，Verovio， Pyecharts等等。

△ GOT使用到的数据渲染工具

OCR的研究才刚刚开始
关于为什么在大模型相互梭哈的时代继续研究OCR？

研究团队有他们自己的理由：

OCR一直是离落地最近的研究方向之一，是AI-1.0时代的技术结晶。

到了以LLM（LVLM）为核心的AI-2.0时代，OCR成了多模大模型的一项基本能力，各家模型甚至有梭哈之势。

多模态大模型作为通用模型，总有种降维打击OCR模型的感觉。

那么纯OCR的研究真的到头了吗？我们想说：当然没有！没准才刚刚开始。

首先盘一下AI-1.0 OCR系统和LVLM OCR的缺点：

首先是AI-1.0流水线式的OCR系统，缺点不用多说，各个模块比较独立，局部最优，维护成本也大。

最重要的是不通用，不同OCR任务需路由不同模型，不太方便。

那么多模态大模型在pure OCR任务上有什么缺陷呢？我们认为有以下两点：

1、为Reasoning让路必然导致image token数量过多，进而导致在纯OCR任务上存在bottle-neck。

Reasoning（VQA-like）能力来自LLM（decoder），要想获得更好的VQA能力（至少在刷点上），就要充分利用起LLM来，那么image token就得越像text token（至少高维上，这样就会让LLM更舒服）。

试想一下，100个text token在LLM词表上能编码多少文字？那么一页PDF的文字，又需要多少token呢？不难发现，保VQA就会导致在做OCR任务上，尤其是dense OCR任务上，模型搞得比较丑陋。

例如，一页PDF图片只有A4纸大小，很多LVLM要都需要切图做OCR，切出几千个image token。单张都要切图，拿出多页PDF拼接图，阁下又当如何应对？

我们认为对于OCR模型这么多token大可不必。

2、非常直观的一点就是模型太大，迭代困难。

要想引入新OCR feature如支持一项新语言，不是SFT一下就能训进模型的，得打开vision encoder做pre-training或者post-training，这都是相当耗资源的。

对于OCR需求来说太浪费了。

---

1. 图片转文字识别软件 https://github.com/hiroi-sora/Umi-OCR
   ⭐ 总星标数量：24.8k
   日增长数量：203⭐
   上周增长数量：647⭐
   上月增长数量：1133⭐
   开源时间：2022-03-28
   项目描述：一个开源的 OCR 图片转文字识别软件，基于 PaddleOCR 技术。它完全免费、可离线使用，支持截屏识别文字、批量导入图片、横/竖排文字，同时能够自动忽略水印区域，适用于 Win10 操作系统。

2. 照片和视频自动备份 https://github.com/immich-app/immich
   ⭐ 总星标数量：44k
   日增长数量：191⭐
   上周增长数量：1068⭐
   上月增长数量：2750⭐
   开源时间：2022-02-03
   项目描述：一个自托管的照片和视频备份解决方案，可以直接从您的手机上传。它提供了一个安全、便捷的方式来备份您的个人照片和视频，并确保您的数据得到保护和隐私的维护。您可以轻松地将照片和视频上传到自己的服务器，并随时在需要时进行访问和恢复。

3. 相片加密 https://github.com/ente-io/ente
   ⭐ 总星标数量：14k
   日增长数量：133⭐
   上周增长数量：751⭐
   上月增长数量：1570⭐
   开源时间：2022-11-01
   项目描述：Fully open source, End to End Encrypted alternative to Google Photos and Apple Photos

4. 内网扫描工具 https://github.com/shadow1ng/fscan
   ⭐ 总星标数量：10k
   日增长数量：96⭐
   上周增长数量：348⭐
   上月增长数量：625⭐
   开源时间：2020-11-14
   项目描述：一款内网综合扫描工具，方便一键自动化、全方位漏扫扫描。

5. AI 图像升级器 https://github.com/upscayl/upscayl
   ⭐ 总星标数量：29.5k
   日增长数量：91⭐
   上周增长数量：397⭐
   上月增长数量：870⭐
   开源时间：2022-07-31
   项目描述： 一款免费开源的 AI 图像升级器，使用先进的人工智能算法来放大和增强低分辨率图像，而不损失质量。该应用程序基于 Linux 优先理念，是一个跨平台应用程序，支持在所有主要桌面操作系统上使用。

6. Ollama交互的Web 客户端 https://github.com/ollama-webui/ollama-webui
   ⭐ 总星标数量：38.3k
   日增长数量：88⭐
   上周增长数量：1495⭐
   上月增长数量：4580⭐
   开源时间：2023-10-07
   项目描述：ChatGPT-Style Web UI Client for Ollama

7. https://github.com/frappe/erpnext
   ⭐ 总星标数量：19.9k
   日增长数量：83⭐
   上周增长数量：1764⭐
   上月增长数量：1994⭐
   开源时间：2011-06-08
   项目描述：Free and Open Source Enterprise Resource Planning (ERP)

8. Python代码格式化工具 https://github.com/psf/black
   ⭐ 总星标数量：38.5k
   日增长数量：83⭐
   上周增长数量：254⭐
   上月增长数量：420⭐
   开源时间：2018-03-15
   项目描述：一种无妥协的Python代码格式化工具。它旨在帮助开发人员维护一致、可读的Python代码，减少代码风格争议。通过运行black，您可以自动格式化Python代码，使其符合PEP 8代码风格规范。black不仅是一种强大的代码格式化工具，还是一种推动Python代码规范化的社区标准。

9. 开发人员的在线工具集 https://github.com/CorentinTh/it-tools
   ⭐ 总星标数量：20.2k
   日增长数量：81⭐
   上周增长数量：376⭐
   上月增长数量：1065⭐
   开源时间：2020-04-05
   项目描述：一个为开发人员提供的一组实用的在线工具集合，具有出色的用户体验。这些工具旨在帮助开发人员更轻松地执行各种任务，从代码测试到性能分析等。it-tools注重用户体验，确保用户可以快速而高效地使用这些工具，从而提高他们的工作效率。

10. 模块化GUI框架 https://github.com/comfyanonymous/ComfyUI
    ⭐ 总星标数量：49.8k
    日增长数量：80⭐
    上周增长数量：1563⭐
    上月增长数量：6061⭐
    开源时间：2023-01-17
    项目描述：一个强大和模块化的GUI和图形/节点接口，它提供了稳定和可扩展的用户界面组件。这个项目的设计注重可定制性和易用性，使开发人员能够快速构建漂亮和功能丰富的图形界面应用程序。

11. 无需CA证书即可抓取HTTPS明文的工具 https://github.com/gojue/ecapture

'ecapture’成为最佳开源项目，这是一款无需CA证书即可抓取HTTPS明文的工具，基于eBPF技术实现。

1. eCapture的特点
   它是一款基于eBPF技术的HTTPS明文抓取工具，可用于MySQL数据库查询审计和bash命令捕获等场景，仅支持Linux和Android系统。

2. 其他优秀的开源项目
   如Reactive-Resume，这是一款简历生成器，支持多种配置和语言，可快速生成和分享简历；还有documenso，这是一个社区驱动的文档签署工具，旨在提供透明、高效的文档签署流程；以及Flowise，这是一个可视化UI定制LLM的工具，允许用户通过拖放操作设计机器学习工作流程。