Surya

Surya：功能强大的开源OCR文档处理工具包，支持90多种语言的OCR识别，提供布局分析、阅读顺序检测和表格识别等功能。无论是PDF、图像还是Word文档，Surya都能高效处理。基于先进的多模态模型，Surya实现了精准的文本检测、灵活的布局分析和智能的表格识别，提升文档数字化处理效率。 Surya：开源OCR文档处理工具包，支持90多种语言识别 主要功能特点： 多语言OCR： 支持90多种语言的OCR识别，与云服务相比具有竞争力的基准测试结果，覆盖了全球大部分常见语言。 文本检测： 能够进行行级文本检测，不受语言限制，确保精确的文本识别。 布局分析： 检测文档中的表格、图像、标题等元素，提供全面的布局分析功能。 阅读顺序检测： 能够理解文档的逻辑阅读顺序，确保生成的文档内容有序且易于阅读。 表格识别： 识别文档中的表格结构，包括行和列，支持复杂表格的精确提取。 高效性能： 基于先进的多模态模型，Surya实现了高效的文本处理和识别，提升了文档处理效率。 多种文档类型： 支持PDF、图像、Word文档等多种文档格式，灵活应对不同类型的文档处理需求。 使用简便： 安装和使用简单，支持Python 3.10+和PyTorch，用户可以快速上手。 GPU优化： 使用GPU时，通过正确设置环境变量，可以显著提高性能，适应大规模文档处理需求。 开源项目： 作为开源项目，Surya可以自由获取和使用，适合开发者进行二次开发和功能扩展。 使用方法： 一、安装和设置： 1.安装Python和PyTorch： Surya需要Python 3.10+和PyTorch。请确保您的环境中安装了这两个工具。 2.克隆Surya项目： 打开终端，运行以下命令克隆Surya项目： git clone https://github.com/VikParuchuri/surya.git cd surya 3.安装依赖： 运行以下命令安装Surya的主要和开发依赖项 poetry install 4.激活虚拟环境： 运行以下命令激活虚拟环境 poetry shell 二、使用Surya进行OCR 1.加载模型： Surya的模型权重将在首次运行时自动下载。 2.运行OCR示例代码： 以下是如何从Python使用Surya进行OCR的示例代码 from PIL import Image from surya.ocr import run_ocr from surya.model.detection.model import load_model as load_det_model, load_processor as load_det_processor from surya.model.recognition.model import load_model as load_rec_model from surya.model.recognition.processor import load_processor as load_rec_processor # 加载图片 image = Image.open(“IMAGE_PATH”) langs = [“en”] # 替换为你的语言 – 可选但推荐 # 加载模型 det_processor, det_model = load_det_processor(), load_det_model() rec_model, rec_processor = load_rec_model(), load_rec_processor() # 运行OCR predictions = run_ocr([image], [langs], det_model, det_processor, rec_model, rec_processor) 三、 高级功能 1.启用模型编译： 设置环境变量来启用模型编译 export COMPILE_RECOGNITION=true export COMPILE_DETECTOR=true export COMPILE_LAYOUT=true export COMPILE_TABLE_REC=true # 或者使用 export COMPILE_ALL=true 2.文本行检测： Surya可以检测文本行并输出包含检测到的边界框的JSON文件。 3.布局和阅读顺序： Surya可以输出包含检测到的布局和阅读顺序的JSON文件。 4.表格识别： Surya可以输出包含检测到的表格单元格和行/列ID以及行/列边界框的JSON文件。 四、性能优化 使用GPU优化： 在使用GPU时，正确设置 RECOGNITION_BATCH_SIZE 环境变量可以显著提高性能。每个批次项将使用40MB的VRAM，可以实现非常高的批量大小。 五、故障排除 提升OCR效果： 增加图像分辨率，使文本更大。如果分辨率已经很高，尝试将其降低到不超过2048px的宽度。 对图像进行预处理（二值化、去倾斜等）可以帮助处理非常老旧/模糊的图像。 可以调整 DETECTOR_BLANK_THRESHOLD 和 DETECTOR_TEXT_THRESHOLD 以获得更好的结果。 通过以上步骤，您可以充分利用 Surya 进行高效的OCR文档处理。