Skip to content

README.md

Latest commit

 

History

History
122 lines (102 loc) · 6.06 KB

README.md

File metadata and controls

122 lines (102 loc) · 6.06 KB

通用文字识别-高精度版（GeneralOCR）

简介

通用文字识别组件（GeneralOCR）支持多场景、多语种、高精度的文字识别服务，对图片全部文字内容进行检测识别。

功能介绍

覆盖多种通用场景、20+种语言的高精度整图文字检测和识别服务，包括各类印刷和手写文档、网络图片、表格、印章、数字、二维码等；

特色优势

  • 准确率高

    多项ICDAR指标居世界第一，识别准确率高

应用场景

支持多场景、多语种、高精度的文字识别服务，可用于纸质文档电子化、办公文档/报表识别、图像内容审核等场景

基本用法

以下是一个简单的例子来演示如何开始使用GeneralOCR组件：

示例图片为示例图片

import os
import appbuilder
import requests

# 请前往千帆AppBuilder官网创建密钥，流程详见：https://cloud.baidu.com/doc/AppBuilder/s/Olq6grrt6#1%E3%80%81%E5%88%9B%E5%BB%BA%E5%AF%86%E9%92%A5
os.environ["APPBUILDER_TOKEN"] = '...'
# 从BOS读取样例图片
image_url = "https://bj.bcebos.com/v1/appbuilder/general_ocr_test.png?"\
    "authorization=bce-auth-v1%2FALTAKGa8m4qCUasgoljdEDAzLm%2F2024-01-"\
    "11T10%3A59%3A17Z%2F-1%2Fhost%2F081bf7bcccbda5207c82a4de074628b04ae"\
    "857a27513734d765495f89ffa5f73"
raw_image = requests.get(image_url).content
image_base64 = base64.b64encode(raw_image)
general_ocr = appbuilder.GeneralOCR()
out = general_ocr.run(appbuilder.Message(content={"image_base64": image_base64}))
print(out.content)

参数说明

鉴权说明

使用组件之前，请首先申请并设置鉴权参数，可参考组件使用流程。

# 设置环境中的TOKEN，以下示例略
os.environ["APPBUILDER_TOKEN"] = "bce-YOURTOKEN"

初始化参数

无

调用参数

参数名称 参数类型 是否必须 描述 示例值
message Message 是 输入的消息，用于模型的主要输入内容。这是一个必需的参数 Message(content={"image_base64": "待识别的图片base64数据", "image_url": ...}), 优先级image_base64 > image_url > pdf_base64 > pdf_url
+image_base64 String 否 待识别的图片base64数据, 要求base64编码和urlencode后大小不超过10M，最短边至少15px，最长边最大8192px，支持jpg/jpeg/png/bmp格式 略
+image_url String 否 待识别的图片url, 要求base64编码和urlencode后大小不超过10M，最短边至少15px，最长边最大8192px，支持jpg/jpeg/png/bmp格式 "https://bj.bcebos.com/agi-dev-platform-sdk-test/1.png"
+pdf_base64 String 否 待识别的pdf文件base64数据，base64编码后进行urlencode，要求base64编码和urlencode后大小不超过10M，最短边至少15px，最长边最大8192px，支持jpg/jpeg/png/bmp格式 略
+pdf_url String 否 待识别的pdf文件url，base64编码后进行urlencode，要求base64编码和urlencode后大小不超过10M，最短边至少15px，最长边最大8192px，支持jpg/jpeg/png/bmp格式 "https://bj.bcebos.com/agi-dev-platform-sdk-test/8、质量流量计.pdf"
+pdf_file_num String 否 需要识别的PDF文件的对应页码，当 pdf_file 参数有效时，识别传入页码的对应页面内容，若不传入，则默认识别第 1 页 "1"
+detect_direction String 否 是否检测图像朝向，默认不检测，即：false。朝向是指输入图像是正常方向、逆时针旋转90/180/270度。可选值包括: true-检测朝向, false：不检测朝向 "false"
+multidirectional_recognize String 否 是否开启行级别的多方向文字识别，可选值包括: true-识别, false-不识别.若图内有不同方向的文字时，建议将此参数设置为“true” "true"
timeout Float 否 HTTP超时时间,单位：秒 1
retry Integer 否 HTTP重试次数 3

响应参数

参数名称 参数类型 描述 示例值
words_result Array[] 返回结果 [{"words":"一站式企业级大模型平台，提供先进的生成式AI生产及应用全流程开发工具链"}]
+ words String 识别结果字符串 "百度智能云千帆大模型平台"

响应示例

{
    "words_result":[
        {
            "words":"一站式企业级大模型平台，提供先进的生成式AI生产及应用全流程开发工具链"
        },
        {
            "words":"百度智能云千帆大模型平台"
        },
        {
            "words":"文心大模型4.0已正式发布，个人和企业客户可通过百度智能云千帆大模型平台接入使用"
        },
        {
            "words":"立即使用"
        },
        {
            "words":"在线体验"
        },
        {
            "words":"使用文档"
        },
        {
            "words":"定价说明"
        },
        {
            "words":"千帆社区"
        },
        {
            "words":"常见概念、使用指导"
        },
        {
            "words":"定价、计费方式、计量说明"
        },
        {
            "words":"大模型开发学习、交流社区"
        }
    ]
}

高级用法

目前该模块仅提供基础通用文字识别功能。

更新记录和贡献

  • 通用文字识别能力 (2023-12)
  • 增加Pdf格式输入，增加detect_direction和multidirectional_recognize入参