古籍 OCR 怎么做RapidOCR 一条命令识别竖排古籍从安装到调参完整指南【免费下载链接】RapidOCR Awesome OCR multiple programing languages toolkits based on ONNX Runtime, OpenVINO, MNN, PaddlePaddle, TensorRT and PyTorch.项目地址: https://gitcode.com/GitHub_Trending/ra/RapidOCR手头有一批扫描的古籍图片想批量把文字提出来存档但竖排版式、繁体字和纸面污渍让普通 OCR 工具频繁翻车RapidOCR 是一个开源免费的轻量 OCR 库把 PaddleOCR 模型转成 ONNX 等通用格式基于 ONNX Runtime 和 OpenVINO 推理可以完全离线运行。默认支持中英文识别也覆盖多语言模型。它适合古籍数字化、文档批量提取文字的场景使用者从个人研究者到工程集成团队都能用。 一批扫描古籍要提文字RapidOCR 能做到什么把场景具体化一批老书扫描图每页几十行竖排繁体字夹杂少量批注目标是导出可编辑的文本。竖排文字能跑通识别环节支持竖排文字预处理阶段会自动做竖排补边use_vertical_padding默认开启短小的文本行也能稳定进入识别流程仓库测试集里就有竖排古籍图片text_vertical_words.png专门验证这一场景。不止横排印刷体除了中文简体/繁体和英文还内置日文、韩文、阿拉伯文、泰文等多语言模型模型清单见仓库文档混排页面可以按语言分别跑。不绑死在服务器同一套模型可以在 Linux、Windows、Mac 上离线推理Python 之外还有 C、Java、C# 等语言的独立组件库方便嵌进现有系统。 一条命令装好 RapidOCR 环境Python 3.8 及以上版本终端执行pip install rapidocr onnxruntime安装后模型会随库自动下载无需额外配置。最小可运行的识别脚本如下python/demo.py 里有同样的示例from rapidocr import RapidOCR engine RapidOCR() result engine(book_page_001.jpg) # 换成你的古籍图片路径 print(result) # 文本、坐标框、置信度 result.vis(vis_result.jpg) # 保存带标注框的可视化图print出来的结果包含每行文字、对应的坐标框和置信度分数vis生成的图可以用来肉眼核对框的位置。 竖排、繁体和多语言混合识别能力拆解竖排文字怎么进识别流程古籍一列字往往又窄又长直接切出来喂给模型效果差。RapidOCR 的预处理会对短文本做竖向 padding 补齐配置项width_height_ratio默认 8控制补齐后的宽高比。仓库测试文件 text_vertical_words.png 就是一页竖排字跑一遍能按行输出识别结果。经验值扫描件先整页识别框准了再按列人工归并比手动切列更省事。繁体与多语言混合文本默认模型lang_type为ch覆盖繁简体混排遇到日文夹杂的页面把对应模块的lang_type切到日文模型即可。下面这张日文混合文本的测试图japan.jpg就是仓库用来验证多语言识别的样例古籍 OCR 准确率对清晰印刷体通常可以到 95% 以上但手写批注、墨迹粘连的页会明显下降——这类页面建议单独人工处理而不是调参硬扛。多平台部署同一套模型通用ONNX 格式的模型是核心Python 包之外CNCNN、Java、C# 各有独立的移植仓库见仓库内 cpp/、jvm/、dotnet/ 目录说明推理引擎可选 ONNX Runtime、OpenVINO、TensorRT、MNN、PaddlePaddle、PyTorchdocker/ 目录为每种引擎都提供了现成的 Dockerfile。Windows、Mac、Linux 三个平台行为一致适合Mac 上开发、Linux 服务器跑批的工作流。⚙️ config.yaml 里哪些参数值得改所有可调参数集中在 config.yaml分Global总开关与预处理、Det检测、Cls方向分类、Rec识别四段。常用改动只有三处Det.box_thresh默认 0.5文字框置信度门槛。古籍扫描件背景脏、检出一堆假框时调高到 0.60.7漏检多则调低。Global.text_score默认 0.5识别文本的置信度过滤线分数低于它的行会被丢弃想保留低质量行再人工复核就调低。Det.limit_side_len默认 736检测图最长边缩放上限。整页高清扫描件长边超过 2000 像素处理慢时调小可明显提速代价是细小文字的检出率略降。另外Global.use_cls: true建议保持开启它负责纠正旋转 180° 的文字行——手机随手翻拍的古籍照片经常是倒过来的。️ 避坑与实操建议扫描件发灰、有污渍 → 先去噪增强再喂给 OCR。对比度差的老书页用 OpenCV 做二值化或灰度增强后再识别检出的框会干净很多use_preprocess_img默认开启短边小于 30 像素的碎片图会被自动丢弃避免无意义结果。结果顺序乱、带坐标残留 → 后处理做格式化。打印出来的结果是按行分段的竖排古籍需要自己按从右到左、从上到下的规则重排行序再转成纯文本或 Markdown导出前把坐标框、置信度字段剥掉。低置信度行不要直接入库 → 人工抽检校对。每行都有text_score分数把低于 0.7 的行单独列出来过一遍比全量通读快得多模糊到整页不可读的部分宁可标记为待人工转录。适用边界说明RapidOCR 适合印刷体为主的古籍、档案扫描件批量提取文字以及需要嵌进自研系统的离线 OCR 场景。它不适合手写批注密集的文献、严重破损缺页的原件——这类内容目前仍依赖专业人工转录任何模型都不宜作为唯一产出。【免费下载链接】RapidOCR Awesome OCR multiple programing languages toolkits based on ONNX Runtime, OpenVINO, MNN, PaddlePaddle, TensorRT and PyTorch.项目地址: https://gitcode.com/GitHub_Trending/ra/RapidOCR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考