关于OCR图片文本检测、推荐一个 基于深度学习的Python 库！_ocr pytorch相关的深度学习库

大家好，我是 zeroing~

1，前言

之前谈到图片文本 OCR 识别时，写过一篇文章介绍了一个 Python 包 pytesseract ，具体内容可参考

介绍一个Python 包 ，几行代码可实现 OCR 文本识别！这篇文章 ，pytesseract 包是基于 Tesseract 封装得到的，这个包虽然支持多语言文本识别，但对于不同语言文本识别，准确率却不一样，例如英文识别准确率高，而中文文本较低；

英文字符识别，整体来看基本不会出错，但对于图片中的中文字符，经常出现乱码、识别失败，

2,EasyOCR 介绍

今天将介绍一个的用于 文本OCR 新的Python 包 EasyOCR ，这个包是基于训练好的 Deep Learning 模型开发的，模型包含功能：文本检测、文本识别

EasyOCR 包从开源到现在 10 个月不到，但在 Github 已经有 10k+ star，到目前为止经过四次版本迭代，有以下几个特点：

• 1，到目前为止 支持70+种语言文本识别，包括但不限于 英语、中文、日语、韩语等；
• 2，源于深度学习技术，识别精度很高；对于正常图片文本识别来说，准确率能达到 100% ；

• 3，不仅适用于单语言，同样也适用于多语言(例如一张图片中需要同时识别中文、英语、日语三类语言)；

• 4，支持 GPU 加速，GPU 识别速度要比 CPU 快 6~7 倍；(需要提前配置好 cuda、 pytorch、torchvision Python 环境);

对比传统 OCR 只具有图片文本识别之外，EasyOCR 还具有 文本检测 功能(图片中识别到的文本框，在图片中的定位以 左上、右上、右下、左下 坐标顺序依次返回)，效果如下图：

上图中 EasyOCR 最终输出的是右图的 文本信息 ，左图中的红色线框是后面经处理加上去的

3，EasyOCR 使用

上面对 EasyOCR 程序包做了简单介绍，下面介绍一下它的基本用法

安装

EasyOCR 已经上传到 Pypi 上面了，可通过 pip 命令完成安装

pip install easyocr
1

EasyOCR 的模型是基于 pytorch 框架训练的，在 easyocr 下载同时会下载一些其它附加 python 包，例如 pytorch， torchvision 等，时间需要久一点(需要注意下，easyocr 默认安装的是 pytorch 的 cpu 版本，需要 gpu 配置的小伙伴可以搜一下 pytorch-gpu 相关教程进行配置)；

使用方法

虽然 EasyOCR 安装步骤很简单，只有一行代码；但使用过程中会出现包版本不匹配、环境项缺失 等问题，在使用过程中，我遇到了两个因为环境错误导致无法使用的问题，这里我贴在下方并附上解决方案，遇到的小伙伴们可以参考下，当然没遇到的话更好

1，from ._remap import _map_array
ImportError: DLL load failed: The specified module could not be found

该问题是由于 C++ 运行包丢失造成的，解决方案，终端输入以下命令安装即可

pip install msvc-runtime
1

**2，train error ： ImportError: cannot import name ‘Optional’ **

该问题是由于 pytorch 与 torchvision 版本不符造成的，安装 easyocr 时默认安装的 torchvision 版本为 0.5.0，对应 pytorch 相兼容的版本应该为 1.4.0，但通过下方命令安装时

pip install torch==1.14.0
1

会安装失败，解决方法：通过另一种 安装命令即可

pip install torch==1.4.0+cpu torchvision==0.5.0+cpu -f https://download.pytorch.org/whl/torch_stable.htm
1

easyocr 将所有功能都封装到一个类中 Reader ，可通过调用类里面的三种方法 readtext、detect、recognize 来实现，

detect 方法用于检测图像中的文本框，最终返回两个列表，来表示文本框在图像中的位置，一个为 horizontal_list 格式为 [x_min,x_max,y_min,y_max] ，另一个为 free_list ，格式为 [[x1,y1],[x2,y2],[x3,y3],[x4,y4]]，

上面这张图是 B 站用于在用户登录时弹出的验证码界面，在接下来的例子中都以这张图作为模板，detect 函数的使用方法如下

import easyocr
reader = easyocr.Reader(['ch_sim','en'],gpu=False,model_storage_directory='./model')
result = reader.detect('ceshi.png')
print(result)

### ouput

([[11, 133, 11, 31], [158, 238, 2, 34], [199, 235, 315, 333]], [])
1
2
3
4
5
6
7
8

使用时，首先需要创建一个 Reader 类，在类中需要指定一些参数：

• lang_list，用来指定需要识别语言代码(例如中文、英文)，以列表形式存放，关于语言代码可参考下方(这里只贴出部分，详情可参考官网)：

• gpu，布尔值，表示是否需要使用GPU，默认为 True;
• model_storage_directoy，字符串类型，默认为~./EasyOCR/.用于指定网络模型的存储路径，建议自己指定一个新路径；

最终会输出两个列表，分别表示 horizontal_list, free_list

recognize 用于识别，使用该函数时需要提供三个参数，image、horizontal_list、free_list，使用时与 detect 相搭配

• image 表示图片；
• horizontal_list、free_list 分别表示矩形文本框列表，是函数 detect 的两个输出列表

使用方法如下

import easyocr
from PIL import Image,ImageDraw

reader = easyocr.Reader(['ch_sim','en'],gpu=False,model_storage_directory='./model')
result = reader.recognize('ceshi.png',horizontal_list=[[11, 133, 11, 31], [158, 238, 2, 34], [199, 235, 315, 333]],free_list=[])

print(result)

### output

[([[158, 2], [238, 2], [238, 34], [158, 34]], '带鱼', 0.48613545298576355), ([[11, 11], [133, 11], [133, 31], [11, 31]], '清在下图依次点击:', 0.46184659004211426), ([[199, 315], [235, 315], [235, 333], [199, 333]], '确认', 0.31680089235305786)]
1
2
3
4
5
6
7
8
9
10
11

最终 recognize 方法会返回每个文本框中的文本信息

readtext 函数是将 detect 和 recognize 方法相结合：先利用 detect 函数识别图像中文本框的位置坐标，将坐标列表输入 recognize 进行识别，最终返回每个文本信息及位置坐标，函数框架如下：

import easyocr

reader = easyocr.Reader(['ch_sim','en'],gpu=False,model_storage_directory='./model')
result = reader.readtext('ceshi.png')
print(result)

### ouput

Using CPU. Note: This module is much faster with a GPU.
[([[158, 2], [238, 2], [238, 34], [158, 34]], '带鱼', 0.48613545298576355), ([[11, 11], [133, 11], [133, 31], [11, 31]], '清在下图依次点击:', 0.46184659004211426), ([[199, 315], [235, 315], [235, 333], [199, 333]], '确认', 0.31680089235305786)]
1
2
3
4
5
6
7
8
9
10

得到坐标之后，为了更直观地观察到检测结果的正确性，可通过 PIL 把图像中文本框给绘制出来

import easyocr
from PIL import Image,ImageDraw

reader = easyocr.Reader(['ch_sim','en'],gpu=False,model_storage_directory='./model')
result = reader.readtext('ceshi.png')

img = Image.open('ceshi.png')
draw = ImageDraw.Draw(img)

for i in result:
    draw.rectangle((tuple(i[0][0]),tuple(i[0][2])),fill=None,outline='red',width=2)
img.save("ceshi3.png")
1
2
3
4
5
6
7
8
9
10
11
12

效果如下

结果来看，除了图片中间的 带鱼 文本信息没有识别出来之外，其他区域的文本信息都能取得不错的识别和检测效果；

这里解释一下识别失败的原因，仔细观察的话会发现上面这张图并不是现实中真实存在的，而是通过深度学习技术生成的一个虚拟图像例如 GAN，里面的文本信息不是单一地将文字贴到图片上，我猜测是经过一些加密处理，

为了验证我的猜测，这里我借助了超级鹰打码平提供的API 接口，但最终依然得不到很好的识别效果(图中的蓝色字体位置代表打码平台识别结果)

上面只介绍了easyocr 方法中 的一些常规参数，还有许多默认参数没有介绍，比如 batch_size 控制每次识别图片的数量，有了这个参数可以实现批量识别，但前提需要 GPU 大内存的支撑；adjust_contrast 调整图像对比度；

关于 easyocr 更多详细信息，感兴趣的小伙伴可看官方文档：Document API，

好了，以上就是本篇文章全部内容，最后感谢大家的阅读！