OCR开源项目对比总结

OCR是什么？

光学字符识别（Optical Character Recognition, OCR）是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。亦即将图像中的文字进行识别，并以文本的形式返回。

目前发展现状

ocr的发展已经有了非常多的积累，一般人或者企业使用， 都是直接使用第三方的服务，目前提供第三方服务的大企业也非常多，百度，阿里云，腾讯等等，都提供了非常方便的api接口，可以进行调用，识别的速度、精确度和效果也都是非常不错的。唯一的缺点就是api的调用是需要收费的，对于调用频次不高的个人和企业，这个费用还是非常低的。

为什么企业要使用开源的而不是直接使用api服务？

目前因为公司的现状，使用开源的有几个目的

1. 每天调用的频次比较高 ， 以后可能越来越高， 所以基于费用的考虑是最主要的。
2. 目前ocr的算法研究基本趋于成熟，并且目前对识别的精度要求不是太高，目前开源项目基本能够满足
3. 对于cv和深度学习进行一定程度的积累和了解，为后续工作做一些铺垫
4. 学习开源ocr的模型构建，方便后续对于模型的更新

目前开源的项目现状

目前针对ocr的相关开源项目也还是有不少的，作者正好是公司也需要类似的功能，所以做了一些简单的调研，在这里进行记录。

对于调研不准确的希望大家指出

1. Tesseract
2. PaddleOCR
3. EasyOCR
4. chineseocr
5. chineseocr_lite
6. TrWebOCR
7. cnocr

tesseract

Tesseract 是谷歌开发并开源的图像文字识别引擎，使用python开发。

优势

1. github上面star非常多，项目非常活跃
2. 识别的语言和文字非常多
3. 后面做背书的公司非常强（google）

劣势

1. 不是专门针对中文场景
2. 相关文档主要是英文，对于阅读和理解起来有一定困难
3. 学习成本比较高
4. 源码较多，并且部分源码是c++，学习起来难度比较大

所以针对目前公司的现状，放弃了这个项目的学习和调研

PaddleOCR

PaddleOCR 是百度开源的中文识别的ocr开源软件

优势

1. github上面star非常多，项目非常活跃
2. 模型只针对中文进行训练
3. 后面做背书的公司非常强（baidu）
4. 相关的中文文档非常齐全
5. 识别的精确度比较高

劣势

1. 目前使用的训练模型是基于百度公司自己的PaddlePaddle框架，对于小公司来说并不主流（对比于ts或者pytorch），所使用深度学习框架为后续其他深度学习无法做很好的铺垫
2. 项目整体比较复杂，学习成本较高

EasyOCR

EasyOCR 是一个用 Python 编写的 OCR 库，用于识别图像中的文字并输出为文本，支持 80 多种语言。

优势

1. github上面的star也是比较多，但是最近不是特别活跃
2. 支持的语言也是非常多的，多达80多种
3. 识别的精确度尚可

劣势

1. 从官方的页面体验来说识别的速度较慢
2. 识别的文字种类多，学习难度较高
3. 相关的官方文档是基于英文的，学习难度较高，对于新手不太友好

chineseocr

chineseocr

优势

1. github上面的star也是比较多
2. 专门针对中文进行学习和训练的模型
3. 相关的文档比较多，上手相对比较容易

劣势

1. 因为没有大厂和公司的背书， 所以存在一些bug
2. 对于复杂场景下的效果不佳
3. 模型都是现成的，如果要新训练模型难度比较高

chineseocr_lite

chineseocr_lite

优势

1. github上面的star也是比较多
2. 专门针对中文进行学习和训练的模型
3. 相关的文档比较多，上手相对比较容易
4. 比较轻量级，部署也比较方便

TrWebOCR

TrWebOCR

优势

1. 部署简单
2. 使用简单
3. 有对应的web页面，测试方便
4. 有对应的web接口，方便调用

劣势

1. 核心模型不开源，无法进行再次学习
2. 无法进行后续训练
3. 必须要联网才能使用
4. 精度识别一般
5. 项目不是很活跃

cnocr

cnocr

优势

1. 使用简单
2. 文档齐全
3. 代码全部开源，可以进行修改
4. 预定义的模型较多
5. 便于学习和模型重新训练

劣势

1. 精确度不高
2. 没有对应的web界面和接口
3. 需要配合cnstd进行使用

结论

针对上面的比较讨论，同时根据现在的公司的情况和之前既定的一些目标，暂时选择最简单的cnocr进行学习和内部学习和使用。同时也针对目前cnocr仅仅是一个python包，而且无法通过接口进行调用的情况，做了一个补充项目hn_ocr。

目前放到github上面，欢迎大家一起学习和完善。