GitHub收藏过万的超强开源OCR工具Surya更新了表识别功能，支持90多种语言，可本地运行！

今天给大家介绍一个超强的开源OCR工具Surya，目前GitHub收藏人数超过1万。 Surya以具有普遍视野的印度教太阳神命名。新版本的Surya使用了新的架构，性能优于当前的SoTA开源模型 Table Transformer。

主要功能包括

• 识别表格行、列和单元格和具体的字符
• 识别复杂的布局（标题、图像等等）和旋转的表格（图2）
• 支持包括中文在内的90多种语言
• 可在本地运行，提供API

该模型是从头开始训练的，可用于商业用途。但如果你的公司收入或筹集资金超过500万美元，则会受到一些限制。

相关链接

• 代码链接：https://github.com/VikParuchuri/surya
• 托管API：https://www.datalab.to/
• 适用于 PDF、图像、Word 文档和 Powerpoint
• 一致的速度，无延迟峰值
• 高可靠性和正常运行时间

效果展示

检测

光学字符识别

布局

阅读顺序

表格识别

基准测试

光学字符识别

Google Cloud Vision

将OCR与Google Cloud vision进行了基准测试，因为它的语言覆盖范围与Surya相似。

使用了 tesseract 和 surya 的 PDF 中的参考线 bbox，来评估 OCR 质量。对于 Google Cloud，将 Google Cloud 的输出与真实情况进行了调整。我不得不跳过 RTL 语言，因为它们不能很好地对齐。

文本行检测

Tesseract是基于CPU的，surya是CPU或GPU。在配备 A10 GPU 和 32 核 CPU 的系统上运行了基准测试。

• tesseract - 32 个 CPU 核心，或 8 个工作线程，每个工作线程使用 4 个核心
• surya - 36 个批量大小，用于 16GB VRAM 使用

安装

需要 python 3.9+ 和 PyTorch。如果不用 Mac 或 GPU 机器，需要先安装 CPU 版本的 torch。第一次运行 surya 时，模型权重将自动下载。

pip install surya-ocr

互动应用程序

Streamlit 应用程序，可让以交互方式在图像或 PDF 文件上尝试 Surya：

pip install streamlit
surya_gui

OCR（文字识别）

此命令将写出一个包含检测到的文本和 bbox 的 json 文件：

surya_ocr DATA_PATH

• DATA_PATH可以是图像、pdf 或图像/pdf 文件夹
• langs是一个可选（但推荐）参数，指定用于 OCR 的语言。您可以用逗号分隔多种语言。使用此处的语言名称或两个字母的 ISO 代码。 Surya 支持 90 多种语言surya/languages.py。
• lang_file如果您想对不同的 PDF/图像使用不同的语言，您可以选择在文件中指定语言。格式是 JSON 字典，键是文件名，值是列表，例如{"file1.pdf": ["en", "hi"], "file2.pdf": ["en"]}.
• images将保存页面图像和检测到的文本行（可选）
• results_dir指定保存结果的目录而不是默认目录
• max如果您不想处理所有内容，则指定要处理的最大页数
• start_page指定开始处理的页码

该results.json文件将包含一个 json 字典，其中键是不带扩展名的输入文件名。每个值将是一个字典列表，输入文档的每一页一个。每页词典包含：

• text_lines- 每行检测到的文本和边界框
• text- 行中的文本
• confidence- 模型在检测到的文本中的置信度 (0-1)
• polygon- (x1, y1)、(x2, y2)、(x3, y3)、(x4, y4) 格式的文本行的多边形。这些点从左上角开始按顺时针顺序排列。
• bbox- (x1, y1, x2, y2) 格式的文本行的轴对齐矩形。 (x1, y1) 是左上角，(x2, y2) 是右下角。
• languages- 为页面指定的语言
• page- 文件中的页码
• image_bbox- (x1, y1, x2, y2) 格式图像的 bbox。 (x1, y1) 是左上角，(x2, y2) 是右下角。所有行 bbox 都将包含在该 bbox 中。