更轻量的 cnocr-V1.1.0 ：最小模型只有 6.8M

作者： 吴金龙，爱因互动技术合伙人，算法负责人

知乎专栏： 智能对话机器人技术

原文链接：

https://zhuanlan.zhihu.com/p/134115239

cnocr  是Python3下的 中英文OCR 包，通过pip命令安装后即可直接使用。

pip install cnocr==1.1.0

V1.1.0 对代码做了很大改动，重写了大部分训练的代码，也生成了更多更难的训练和测试数据。训练好的模型相较于之前版本的模型精度有显著提升，尤其是针对英文单词的识别。

以下列出了主要的变更：

• 更新了训练代码，使用mxnet的 recordio 首先把数据转换成二进制格式，提升后续的训练效率。训练时支持对图片做实时数据增强。也加入了更多可传入的参数。

• 允许训练集中的文字数量不同，目前是中文10个字，英文20个字母。

• 提供了更多的模型选择，允许大家按需训练多种不同大小的识别模型。

• 内置了各种训练好的模型，最小的模型只有之前模型的 1/5 大小。 所有模型都可免费使用。

• 相较于之前版本的模型，新的模型精度有显著提升，尤其是针对英文单词的识别。 新模型已经可以识别英文单词间的空格。

• 支持文字识别只在给定字符集中进行。 对于一些纯数字或者纯英文字母的应用场景可以带来识别率提升。

• 优化了对黑底白字多行文字图片的支持。

• mxnet依赖升级到更新的版本了。很多人反馈mxnet 1.4.1 经常找不到没法装，现在升级到 >=1.5.0,<1.7.0 。

示例

自带可直接使用的模型

cnocr的ocr模型可以分为两阶段：第一阶段是获得ocr图片的局部编码向量，第二部分是对局部编码向量进行序列学习，获得序列编码向量。目前两个阶段分别包含以下的模型：

1. 局部编码模型（emb model）

• conv ：多层的卷积网络；

• conv-lite ：更小的多层卷积网络；

• densenet ：一个小型的 densenet 网络；

• densenet-lite ：一个更小的 densenet 网络。

2. 序列编码模型（seq model）

• • lstm ：两层的LSTM网络；

  • gru ：两层的GRU网络；

  • fc ：两层的全连接网络。

cnocr目前包含以下可直接使用的模型，训练好的模型都放在 cnocr-models 项目中，可免费下载使用：

更多的说明可参见 cnocr 项目说明，或者之前的介绍文章：

BreezeDeus：cnocr: 极简的中文OCR Python包 zhuanlan.zhihu.com

相关链接：

https://github.com/breezedeus/cnocr

https://zhuanlan.zhihu.com/p/60767671

本文由 作者授权发布于AINLP公众号，点击文末“阅读原文”直达原文。

推荐阅读

AINLP年度阅读收藏清单

百度PaddleHub NLP模型全面升级，推理性能提升50%以上

斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用

数学之美中盛赞的 Michael Collins 教授，他的NLP课程要不要收藏？

自动作诗机&藏头诗生成器：五言、七言、绝句、律诗全了

From Word Embeddings To Document Distances 阅读笔记

模型压缩实践系列之——bert-of-theseus，一个非常亲民的bert压缩方法

这门斯坦福大学自然语言处理经典入门课，我放到B站了

可解释性论文阅读笔记1-Tree Regularization

征稿启示 | 稿费+GPU算力+星球嘉宾一个都不少

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。