Nyílt forráskódú Python API intelligens OCR alkalmazások építéséhez
Ingyenes Python OCR API a képekből történő szövegdetektáláshoz és -felismeréshez, beleértve a természetes jeleneteket, űrlapokat és beolvasott dokumentumokat Python alkalmazásokban.
Mi az a MonkeyOCR?
MonkeyOCR egy fejlett, végponttól végpontig terjedő optikai karakterfelismerő (OCR) rendszer, amely mélytanuláson alapul, és olyan szoftverfejlesztőknek nyújt erőteljes és rugalmas megoldást, akik hatékony eszközt keresnek. Yuliang Liu fejlesztette, és lehetővé teszi a szöveg pontos detektálását és felismerését különféle forrásokból, beleértve a természetes jeleneteket, űrlapokat és beolvasott dokumentumokat. Moduláris és skálázható architektúrája a legmodernebb mélytanulási technikákat ötvözi egy robusztus inferencia csővezetékkel, így kiválóan alkalmas valós szövegfelismerési feladatokra. Gyakorlati alkalmazások közé tartozik a számlák beolvasása, személyi igazolványok olvasása, táblák szövegének kinyerése, valamint többnyelvű OCR vagy PDF‑adatcsővezetékek építése.
A maximális rugalmasságra tervezve a MonkeyOCR lehetővé teszi a szoftvermérnökök számára, hogy kereskedelmi OCR motoroktól független intelligens dokumentumfeldolgozó rendszereket hozzanak létre. Számos fejlett funkcióval rendelkezik, például teljesen moduláris OCR csővezetékkel, egyszerű YAML konfigurációs fájllal és hatékony kötegelt inferencia támogatással. A rendszer pontos szövegdoboz kimenetet ad koordinátákkal, a modern DBNet++ detektáló és a CRNN felismerő modellek felhasználásával, mindezt egy konfigurálható elő‑ és utófeldolgozási keretrendszerben. Ez a moduláris tervezés, a korszerű modellek támogatása és a könnyű konfigurálhatóság kombinációja teszi a MonkeyOCR‑t ideálissá összetett, valós alkalmazások építéséhez – a vállalati dokumentumautomatizálástól a mobil alapú jelenet‑szövegfelismerésig.
Első lépések a MonkeyOCR‑val
A MonkeyOCR telepítésének ajánlott módja a pip használata. Kérjük, a következő parancsot használd a zökkenőmentes telepítéshez.
Telepítsd a MonkeyOCR‑t pip‑el
pip install MonkeyOCR Telepítsd a MonkeyOCR‑t GitHub‑ról
git clone https://github.com/Yuliang-Liu/MonkeyOCR.git Manuálisan is telepítheted; a legújabb kiadási fájlokat közvetlenül a GitHub tárolóból töltheted le.
Szöveg kinyerése egy nyugta képből Python‑ban
Az nyílt forráskódú MonkeyOCR egy végponttól végpontig terjedő optikai karakterfelismerő rendszer, amely mélytanulási technikákon alapul. Azok a szoftverfejlesztők, akik dokumentumok, személyi igazolványok, nyugták vagy rendszámok beolvasására szolgáló alkalmazásokat készítenek, közvetlenül beilleszthetik a MonkeyOCR‑t a háttérfolyamatukba. Moduláris felépítése lehetővé teszi, hogy csak a detektáló modellt vagy a felismerő modellt is használjuk a képekből származó strukturált szöveg kinyeréséhez. Az alábbi egyszerű példa bemutatja, hogyan nyerjünk ki szöveget egy nyugta képből a Python API‑val.
Hogyan nyerjünk ki szöveget egy nyugta képből a Python API‑val?
from monkey_ocr.ocr_predict import OCRPredictor
ocr = OCRPredictor(det_model_path="weights/dbnet.pth", rec_model_path="weights/crnn.pth")
results = ocr.predict("receipt.jpg")
for line in results:
print(line['text'])
Egyedi OCR csővezetékek specifikus felhasználási esetekhez
A nyílt forráskódú MonkeyOCR könyvtár egyik legnagyobb erőssége a moduláris architektúra. A fejlesztők kombinálhatják a detektáló, felismerő és osztályozó modelleket az alkalmazásuk igényei szerint. Például egy dokumentum‑beolvasó alkalmazás könnyű DBNet detektálót és CRNN felismerőt használhat, így optimalizálva a sebességet és a pontosságot.
Egyedi OCR csővezetékek Python API‑val?
from monkey_ocr.ocr_predict import OCRPredictor
ocr = OCRPredictor(
det_model_path="weights/dbnet.pth",
rec_model_path="weights/crnn.pth"
)
results = ocr.predict("form_image.jpg")
for item in results:
print(item["text"], item["box"])
Integráció üzleti szoftverekkel
A nyílt forráskódú MonkeyOCR könyvtár beilleszthető vállalati dokumentum‑munkafolyamatokba is, például az ERP vagy CRM rendszerek adatbevitelének automatizálásához. A fejlesztők a MonkeyOCR‑t a háttérben futtathatják beolvasott PDF‑ek vagy felhasználók által feltöltött képes dokumentumok feldolgozására, automatikusan kinyerve a strukturált információkat. A MonkeyOCR‑t egy config.yaml‑val konfigurálva a csapatok konzisztenciát tarthatnak különböző telepítések között.
Automatizált űrlap‑olvasók építése
A MonkeyOCR szöveg‑detektálását és a pozíciós adatokat (körülhatároló dobozok) kombinálva a fejlesztők intelligens űrlap‑olvasókat hozhatnak létre, amelyek megtalálják a mezőket (pl. „Név”, „Dátum”, „Összeg”) és kinyerik a hozzájuk tartozó adatokat. Ideális adóbevallások, orvosi űrlapok vagy felmérések esetén.
