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

“ 随着一系列技术上的突破,人工智能在世界科技领域已经渐渐的驶进了高速车道。中国老子有一句名言是:“九层之台,起于累土”。意思就是再高的楼台都是由一筐一筐土堆积而成的,这就特别的强调了基础的重要性.....”目前越来越多的人都有一个共识那就是:互联网与人工智能在当今世界科技格局中,中国和美国是两国独大。同时,这两个领域又是未来领域。为什么说是未来领域,互联网的未来趋势已经被时间很好的证明。从1969年美国的阿帕网以来,互联网用了不到50年就彻底颠覆了过去几百年来人们的生活习惯。在这里我们重要强调的是比互联网年轻许多的人工智能。说到人工智能,首先我们先谈谈什么是人工智能。百度百科中是这么定义人工智能的:人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。字面的意思有些生涩,事实上,简单来说就是我们把我们的理解和判断,教给机器,让机器代替我们进行判断。但是我们这里要说的是随着深度学习的不断突破,未来的AI一定会越来越聪明。但是它的出现并不是为了取代人类,而是能让人们极大限度的解放生产力。生产力的巨大提升,会改变未来的生产关系,会改变未来时代。 随着一系列技术上的突破,人工智能在世界科技领域已经渐渐的驶进了高速车道。中国老子有一句名言是:“九层之台,起于累土”。意思就是再高的楼台都是由一筐一筐土堆积而成的,这就特别的强调了基础的重要性。同样,人工智能的发展离不开数据标注,数据标注在人工智能的高速路上,作为底层的基础,成为了众多重要环节之中的重中之重。为什么说数据标注是人工智能众多重要环节的重中之重呢?这我们得从上篇中,人工智能的定义开始说起。要想实现人工智能,我们需要把我们人类的理解和判断教给计算机,让计算机拥有我们人类般的识别能力。但是,让计算机如何能识别人类的语言呢?数据标注就是这样出现了,数据标注就是我们人类用计算机能识别的方法,把需要计算机识别和分辨的图片打上特征,让计算机不断的识别这些特征图片,从而最终实现计算机能够自主识别。通俗点来讲,比如我们想让计算机知道什么是汽车,那么我们就得在有汽车的图片中,把汽车用专业的标注工具标注出来。这里的被标注软件处理过的汽车就是图片中的特征,计算机通过不断的识别这些特征图片。最终结果就是,计算机通过大量的特征图片的学习,最终能够自主的识别特征物品。所以说,如果人工智能是一个天赋异禀的孩子,那么数据标注就是它的启蒙老师,在传授的过程中,老师讲的越细致,越有耐心,那么孩子成长的也就越稳健。同样,换个角度,如果说人工智能是一条高速公路,那么数据标注就是高速公路的基石,基石越稳固,质量越过硬,那么就会使用起来就会越放心,越长久。像马云先生在2018世界人工智能大会上所说一样:蒸汽机释放了人的体力,但是蒸汽机并不是模仿人的体力,汽车比人跑得快,但是汽车并不是模仿人的双腿。未来的计算会释放人的脑力,但是计算机不是按照人脑一样去思考,计算机机器必须要有自己的方式去思考。那么如何能让计算机形成一套自主的思考体系呢?这是一个复杂的过程,但是不论是多复杂的架构,数据标注永远是体系中的养分,通过不断的改变标注内容来适应不断强大的计算机。

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。