语言:

• 扎格哈瓦语
• 柏柏尔语 标签:
• 光学字符识别(OCR) 任务类型: 图像转文本

基于TensorFlow 2和PyTorch的光学字符识别技术，让OCR变得无缝衔接且人人可用

任务：文本识别

https://github.com/mindee/doctr

使用示例：

>>> from doctr.io import DocumentFile
>>> from doctr.models import ocr_predictor, from_hub

>>> img = DocumentFile.from_images(['<图片路径>'])
>>> # 从模型中心加载您的模型
>>> model = from_hub('mindee/my-model')

>>> # 将模型传递给预测器
>>> # 如果您的模型是识别模型：
>>> predictor = ocr_predictor(det_arch='db_mobilenet_v3_large',
>>>                           reco_arch=model,
>>>                           pretrained=True)

>>> # 如果您的模型是检测模型：
>>> predictor = ocr_predictor(det_arch=model,
>>>                           reco_arch='crnn_mobilenet_v3_small',
>>>                           pretrained=True)

>>> # 获取预测结果
>>> res = predictor(img)

运行配置

{ "架构": "crnn_mobilenet_v3_large", "训练路径": "train", "验证路径": "val", "训练样本数": 1000, "验证样本数": 20, "字体": "FreeMono.ttf,FreeSans.ttf,FreeSerif.ttf", "最小字符数": 1, "最大字符数": 12, "名称": "crnn_mobilenet_v3_large_gen_hw", "训练轮数": 3, "批次大小": 64, "设备": null, "输入尺寸": 32, "学习率": 0.001, "权重衰减": 0, "工作线程数": 2, "恢复检查点": "crnn_mobilenet_v3_large_printed.pt", "词汇表": "tamazight", "仅测试": false, "显示样本": false, "权重与偏置": true, "推送至模型中心": true, "预训练": false, "调度器": "cosine", "自动混合精度": false, "寻找学习率": false }