开源OCR文字识别软件Calamari

Calamari是一种新的开源OCR识别软件,它使用了最先进的Tensorflow实现的深度神经网络(DNN)。 提供了预训练模型和多模型投票技术。由卷积神经网络(CNNS)和长短时记忆(LSTM)层构成的可定制网络架构通过Graves等人的连接时间分类(CTC)算法进行训练。而GPU的使用大大减少了训练和预测的计算时间。我们使用两个不同的数据集来比较Calamari与OCRopy,OCRopus3和Tesseract 4的性能.Calamari在用现代英语写的UW3数据集上达到0.11%的字符错误率(CER),在用德语写的DTA19数据集上达到0.18% 错误率,其性能远远优于以上现有开源软件的结果。
使用了目前OCR最先进的的技术,CNN+LSTM+CTC+voting。
calamari OCR引擎,使用Python3编写,基于OCRopy和Kraken构建,它的设计使你既可以方便的使用命令行运行,也可以把它模块化嵌入到其他python脚本中。

在UW3和DTA19上的识别结果错误率,与OCRopy、Tesseract4、OCropus3相比较:

与其他软件相比的识别速度,有GPU加持当然很快:

值得注意的事,该库主要是用来识别印刷体古籍文字,在自然场景图像上的识别并没有实验说明。

文中识别所用的数据库图片示例:

转载来源:《开源OCR文字识别软件Calamari

 

推荐文章

自上海7月份上海开始推行“史上最严垃圾分类措施”以来,垃圾分类成了很多人日常生活的“必修课”。一个月过去,利用新技术、新模式推进垃圾分类的探索不断涌现。垃圾污染问题并非中国所独有,很多发展中国家都备受困扰。日前,谷歌在一篇博客中透露,为减少印度尼西亚的塑料垃圾,印度尼西亚一家创业公司用上了谷歌的人工智能技术。据介绍,塑料垃圾是印度尼西亚面临的大难题。这个国家拥有5万公里长的海岸线,而这里又普遍缺乏垃圾处理的公共意识,将很多垃圾倒入大海。印度尼西亚创业公司Gringgo就希望借助技术力量应对这个问题。Gringgo首席技术官兼联合创始人费布里亚迪·普拉塔玛介绍,受印度尼西亚地形地貌影响,为可回收物定价十分困难。印度尼西亚包含17000个岛屿,其中有5个主要岛屿,而绝大多数回收利用设施都位于爪哇岛。这使其他岛屿可回收物的运输成本增加,因此回收价值较低的材料就不再分类,最终以污染环境为代价。不仅如此,在印度尼西亚,环卫工人的路线和工作安排通常不太规律,而且他们也缺乏相关知识和专业技能来精确辨别哪些物品有回收价值。这些因素对印度尼西亚的垃圾回收率和环卫工人的生计具有很大负面影响。2017年,Gringgo发布了几款与垃圾处理相关的软件。其中一款软件允许环卫工人追踪回收物的类型和数量,还能向他们推荐更加有规划的路线来节省时间,实现了人工量化回收物品,带来了潜在收入。普拉塔玛介绍,发布这些软件一年内,Gringgo在印尼首个试点村庄将垃圾回收率提升了35%。今年早些时候,Gringgo被评为“谷歌AI影响力挑战赛”的20个受资助者之一。“我们想到可以创建一个图像识别工具,对不同垃圾进行分类,并判断其价值,进而帮助提升塑料垃圾回收率。”普拉塔玛说。在谷歌的帮助下,Gringgo正和另一家创业公司合作,使用谷歌的机器学习平台TensorFlow研发图像识别工具。目标是让环卫工人更好地对垃圾进行分析和分类,并量化它们的价值。有了人工智能的加持,环卫工人将可以为垃圾拍照,通过图像识别判断相关物品及其价值。“这将教育环卫工人了解不同回收物的市场价值,帮助他们优化选择,并将收入最大化。最终将激励环卫工人以更高的效率回收和处理垃圾,并提升回收利用率。”普拉塔玛说。普拉塔玛介绍,Gringgo的目标是不断优化人工智能模型,使它在经济角度更加可持续,并实现广泛推广应用。“我们相信,人工智能可以帮助解决我们这个时代最困难的社会和环境问题——比如医疗、灾害预测、环境保护、农业或文化保护。”谷歌AI负责人、资深研究员杰夫·迪恩介绍,谷歌已经启动“用AI造福社会”项目,探索利用机器学习相关研究,对社会、人道主义事业和环境问题产生积极影响。

热门文章

        对数据标注行业稍微有些了解的人都知道数据标注进入门槛低,适合很多人兼职也适合创业。        正是因为数据标注行业的门槛低这个特点最近两年从事数据标注的小公司小工作室如雨后春笋般的遍布全车大大小小的县城。        但是目前有个有趣的现象,那就是有很多进入数据标注行业做了一段时间的人慢慢的感觉数据标注行业就是个坑?为什么有些人会说数据标注就是个坑呢?        其实对与有上述问题认识的人我们认为,这些人多数都是有于对这个行业对自身条件的不了解,盲目的开始进入数据标注行业的。为什么我们会这样说呢?下面就给给大家来分析下到底有哪几方面的原因:        一、有相当一部分人是听了朋友或者网上消息说这行很火爆,好做,门槛低,也有一部分人了因此租办公室买电脑招人,然后就去群里面找分发项目的人就开张干起来了。可实际上这些人他们大多数都没有充分了解数据标注行业,更没有认真仔细得去调查分析,到底自己能不能做好一个项目,到底自己能不能有质有量按时交付的完成一个项目,到底自己有没有这个能力来管理项目。更多的人也没有去用长远的眼光去考虑数据标注项目。        二、数据标注项目虽然入门门槛低,但是相当一部分有于理解认知应变能力上都不能保证去做好数据标注项目,还有一部分人由于自己对标注项目重视程度不足接到项目之后呢?不仔细认真的去阅读理解项目规则,更没有很好的对规则质检标准去培训员工,而对员工的要求主要看重每天的产出效率,从而导致接到手的项目做的质量很差,频繁的返工,有提项目甚至因为质量太烂项目方不给结算或者是结算比例很少,最终的结果就是做好些个项目但基本都是赔钱。        三、虽然业内人都 说数据标注简单,但是标注项目他也是一个系统性的工程,一个项目能不能做好并不简单的看项目好做就能赔钱。实际上决定项目赚不赚钱考验的是一个团队的项目管理水平,质量管理能力,运营能力各方面因素的。一句话再好赚钱的项目也照样有人赚钱也有人赚钱,要赚钱不是那么简单的。        四、还有些工作室 、小公司因为对行业不够了解等他们做了一段时间后发现,自己团队经常会没有项目做,而自己团队接项目的业务能力又不具备,甚至有的时候为了员工有活干去接一些价格极低根本就不赚钱的标注项目,时间稍微一长这些工作室团队就会赔上很多钱最终关门倒闭。        五、下来要说的就是一部分人人兼职人员由于认识不到位,对项目的规则质量要求 文件不认真阅读消化理解导致做的项目质量差返工有的甚至最后不结算,最终退出这行。更有一些人由于经验不足被标注行业的项目骗子给忽悠到辛苦劳动到最后结算时找不到人。        标注行业本身由于进入门槛低,做的人很行业内盲目打价格战,导致很多转手二手三手的项目在质量工期的要求下根本就不赚钱甚至赔钱,所以在这里也提醒大家做任何事都要谨慎而行。