tr - Text Recognition

一款针对扫描文档的离线文本识别SDK，核心代码全部采用C++开发，并提供Python接口

编译环境: Ubuntu 16.04

为什么开发tr？

我刚开发tr时，网上只有chineseocr、 tesseract等少数开源OCR。tr发布后，又诞生了几款优秀的开源OCR。tr也基本上完成了自己的使命，会转为一个研究型项目，追求技术的先进性而不是实用性。

---

端到端文档理解 Document Understanding（研发中）

多模态大模型宛如当年的互联网浪潮一样，汹涌而来，不可逆转。在不远的将来能否更好地融入多模态大模型生态，对OCR算法来说至关重要。

如何更好地融入多模态大模型生态呢？最简单的方法是先用OCR算法识别出文本行的位置和内容，再将结果以JSON、XML等文本格式输入LLM，这种方法有以下缺点：

• 会不可避免地丢失图片中的一些信息，例如插图、背景图、字体、线框、色彩等等，这些丢失的信息对理解图片内容可能是不可缺少的
• OCR本身识别错误影响后续文档理解
• 存在表格、弯曲文本、图表、公式、印章等等OCR难以识别的内容

因此，我认为端到端文档理解是更可行的技术方案。从算法角度而言，就是需要将图片编码成一维序列，使得TransformerDecoder可以像处理文本一样处理图片。

相关研究：

• TransformerDecoder

---

让CRNN支持多行文本的识别 CRNN For Text With Multiple Lines ⭐

将CRNN与Transformer Encoder/Decoder相结合，从而使CRNN支持多行文本的识别。标注时不再需要标注文本行的边界框，大大降低标注和开发人员的工作量。适用于弯曲文本等场景。
如果您要识别的图片类似于以下图片，使用现有OCR无法解决时，那么可以试一试多行CRNN。

抢鲜体验： crnn_for_text_with_multiple_lines

Let's Continue，多行CRNN适用于Image Recognition任务吗？

如果我们把图像中的物体看成是一个个字符，那么图像识别任务不就是文字识别任务吗？

为了回答这个问题，我在PASCAL VOC数据集上进行了初步的验证，结论是多行CRNN模型不仅可以识别物体的类别，还可以识别物体的个数。不过由于Transformer强大的记忆力，在训练集上比较容易过拟合，需要进行数据增强并提高训练样本数量。
抢鲜体验： crnn_for_image_recognition

接下来让我们挑战一个难倒国内外无数大语言模型的任务

最近大语言模型真的好火，如何将CRNN技术应用到LLM呢？首先需要对多行CRNN进行改造以支持文本输入，只需将卷积特征提取层替换成nn.Embedding即可，为了方便区分，对改造后的模型简称为ChatCRNN。

目前行业内发布的大模型对多位数整数乘法表现较差，有很多研究机构在研究如何解决。通过实验我发现3位整数乘法对ChatCRNN而言还算比较容易学习的，单卡训练半小时内可达到99.99%以上精度。
更多技术细节可以参考我的知乎回答

以前我们经常需要单独训练一个语言模型来对OCR识别结果进行纠错，往后没必要那么麻烦了，因为加入多层TransformerEncoder后CRNN模型已经具备了语言模型的能力。

抢鲜体验： ChatCRNN

---

带Transformer的CRNN

https://github.com/myhub/tr/tree/master/v2.8

• 采用当前流行的YOLO系列主干网络
• 加入轻量级Transformer Encoder结构提升模型根据上下文纠错的能力
• 降低对真实样本的依赖，训练集仅仅包含100多个真实样本

Install 安装:

pip install tr==2.8.2 -i https://pypi.tuna.tsinghua.edu.cn/simple
说明： 不同版本的精度有差异，新版本精度不一定更高
旧版本安装：
+ pip install tr==2.8.1

Windows 64位系统安装：
pip install tr==2.8.6 -i https://pypi.org/simple/

Example 代码示例:

import tr
crnn = tr.CRNN()                                # 初始化文本行识别网络
chars, scores = crnn.run("imgs/line.png")       # 识别文本行
print("".join(chars))                           # 打印结果

GUI 截图识别

# 需要安装PyQt5，PIL依赖
python -m tr.gui

---

更新说明

• c++接口支持
• 添加python2支持
• 去除opencv-python、Pillow依赖，降低部署难度
• 支持多线程

Requirements

• python2/python3，需要安装numpy
• 不支持Windows、CentOS 6、ARM

GPU版本安装说明

由于新型号的显卡需要更高版本的CUDA，GPU版本暂时只支持旧型号的显卡。
如果对速度有要求，推荐安装GPU版本
要使用GPU版本，复制tr_gpu文件夹里面的文件到tr文件夹
注意: 需要先安装CUDA 10.1以及cuDNN 7.6.5。

若不想安装CUDA/cuDNN，可以使用docker部署

docker pull mcr.microsoft.com/azureml/onnxruntime:v1.3.0-cuda10.1-cudnn7
sudo nvidia-docker run -v /path/to/tr:/path/to/tr --rm -it mcr.microsoft.com/azureml/onnxruntime:v1.3.0-cuda10.1-cudnn7

Install

• 安装方法一

git clone https://github.com/myhub/tr.git
cd ./tr
sudo python setup.py install

• 安装方法二

sudo pip install git+https://github.com/myhub/tr.git@master

Test

python2 demo.py               # python2兼容测试
python3 test.py               # 可视化测试
python3 test-multi-thread.py  # 多线程测试
python3 test_crnn_pyqt5.py    # 截图识别

关联项目

• 若需要Web端调用，推荐参考TrWebOCR

Python Example

import tr

# detect text lines, return list of (cx, cy, width, height, angle)
print(tr.detect("imgs/web.png", tr.FLAG_RECT))

# detect text lines with angle, return list of (cx, cy, width, height, angle)
print(tr.detect("imgs/id_card.jpeg", tr.FLAG_ROTATED_RECT))

# recognize text line, return (text, confidence)
print(tr.recognize("imgs/line.png"))

# detect and recognize text lines with angle, return list of ((cx, cy, width, height, angle), text, confidence)
print(tr.run("imgs/id_card.jpeg"))

C++ Example

tr_init(0, 0, "crnn.bin", NULL);

#define MAX_WIDTH		512
int unicode[MAX_WIDTH];
float prob[MAX_WIDTH]; 

auto ws = tr_recognize(0, (void *)"line.png", 0, 0, 0, unicode, prob, MAX_WIDTH);

tr_release(0);

效果展示

---