Umi-OCR V2 文字识别工具

• 下载地址 • 开发计划 • 构建项目 • 提交Bug

免费，开源，可批量的离线OCR软件
_{适用于 Windows7 x64 及以上}

这里是记录 Umi-OCR 全新重构版本v2.0的仓库。

全新升级：V2版本重构了绝大部分代码，提供焕然一新的界面和更强大的功能。
免费：本项目所有代码开源，完全免费。
方便：解压即用，离线运行，无需网络。
高效：自带高效率离线OCR引擎。只要电脑性能足够，可以比在线OCR服务更快。
灵活：支持定制界面，支持命令行、HTTP接口等多种调用方式。

源码：

开发者请务必阅读构建项目。

下载：

v2.0.0 预览版本

Releases

v1.3 稳定版本

Umi-OCR 主仓库

标签页

Umi-OCR v2 由一系列灵活好用的标签页组成。您可按照自己的喜好，打开需要的标签页，并锁定标签栏。

截图OCR

截图OCR：打开这一页后，就可以用快捷键唤起截图，识别图中的文字。

左侧的图片预览栏，可直接用鼠标划选复制。
右侧的识别记录栏，可以编辑文字，允许划选多个记录复制。
也支持在别处复制图片，粘贴到Umi-OCR进行识别。

批量OCR

批量OCR：这一页支持批量导入本地图片并识别。

识别内容可以保存为 txt / jsonl / md / csv(Excel) 等多种格式。
支持文本后处理技术，能识别属于同一自然段的文字，并将其合并。还支持代码段、竖排文本等多种处理方案。
没有数量上限，可一次性导入几百张图片进行任务。
支持任务完成后自动关机/待机。

忽略区域：一种特殊功能，适用于排除图片中的不想要的文字。

在批量识别页的右栏设置中可进入忽略区域编辑器。
如上方样例，图片顶部和右下角存在多个水印 / LOGO。如果批量识别这类图片，水印会对识别结果造成干扰。
按住右键，绘制多个矩形框。这些区域内的文字将在任务中被忽略。
请尽量将矩形框画得大一些，完全包裹住水印所有可能出现的位置。

二维码

二维码：这里可以扫码。

支持多种格式的二维码、条形码。
支持一图多码。
可截图/粘贴/拖入本地图片。

全局设置

全局设置：在这里可以调整软件的全局参数。

支持更改界面语言。（翻译校对工作将在第一个正式版发布后进行）
支持切换界面主题。Umi-OCR拥有多个亮/暗主题。
可以调整界面文字大小、文字字体。
切换OCR插件。

辅助功能说明：

多国语言界面：软件界面支持多国语言。目前预览阶段为AI翻译生成，可能词义和排版不好，或者有错漏的情况。正式发布时会进行人工校对。
渲染器：软件界面默认支持显卡加速渲染。但是如果在你的机器上出现截屏闪烁、UI错位的情况，请调整 全局设置 → 界面和外观 → 渲染器 。
文本块后处理（段落合并） 可以整理OCR结果的排版和顺序，使文本更适合阅读和使用。预设方案如下：
- 单行：合并同一行的文字，适合绝大部分情景。
- 多行-自然段：智能识别、合并属于同一段落的文字，适合绝大部分情景。
- 多行-代码段：尽可能还原原始排版的缩进与空格。适合识别代码片段，或需要保留空格的场景。
- 竖排：适合竖排排版。需要与同样支持竖排识别的模型库配合使用。

调用接口：

命令行手册： README_CLI.md
HTTP接口手册： README_HTTP.md

开发计划

已完成的工作

标签页框架。
OCR API控制器。
OCR 任务控制器。
主题管理器，支持切换浅色/深色主题主题。
实现 批量OCR。
实现 截图OCR。
快捷键机制。
系统托盘菜单。
文本块后处理（排版优化）。
引擎内存清理。
软件界面多国语言。
命令行模式。
Win7兼容。
Excel（csv）输出格式。
Esc中断截图操作
外置主题文件
字体切换
加载动画
忽略区域。
二维码识别。

近期开发计划

近期准备进行的工作，将会在 v2 头几个版本内逐步上线。

制订软件界面翻译的开源协作机制。
快捷键权限优化。
允许隐藏托盘图标。
截图联动/截图翻译。
PDF识别。
批量识别页面的图片预览窗口。
高级截图（仿Snipaste，支持贴图）。

远期计划

展开

这些是预想中的功能，在开发初期已预留好接口，将在远期慢慢实现。

但开发途中受限于实际情况，可能更改功能设计、新增及取消功能。

基于GPU的离线OCR。
离线翻译。
插件系统。
固定区域识别。
识别表格图片，输出为Excel。
根据系统的深/浅模式，自动切换主题。
历史记录系统。
兼容 MacOS / Ubuntu 等平台。
兼容32位系统。

关于项目结构

各仓库：

工程结构：

** 后缀表示本仓库(主仓库)包含的内容。

Umi-OCR
├─ Umi-OCR.exe
└─ UmiOCR-data
   ├─ main.py **
   ├─ version.py **
   ├─ site-packages
   │  └─ python包
   ├─ runtime
   │  └─ python解释器
   ├─ qt_res **
   │  └─ 项目qt资源，包括图标和qml源码
   ├─ py_src **
   │  └─ 项目python源码
   ├─ plugins
   │  └─ 插件
   └─ i18n **
      └─ 翻译文件

支持的离线OCR引擎：

运行环境框架：

PyStand 定制版

构建项目

第一步：下载代码

强烈建议只 clone 主分支，因为某些分支含有体积很大的二进制库，会让你花费很长时间下载。

 git clone --branch main --single-branch https://github.com/hiroi-sora/Umi-OCR_v2.git

第二步：运行环境

根据下列文档，完成对应平台的开发/运行环境部署。

Windows
跨平台的支持筹备中

更新日志

v2.0.0 dev `2023.10.25`

新增：命令行支持传入图片路径。 (#28)
新增：HTTP接口支持Base64传输图片。 (#28)
新增：忽略区域功能。
新增：二维码识别页。支持识别多种格式的二维码、条形码。 (Umi-OCR #95)
新增：提供备选启动器UmiOCR-data/RUN_GUI.bat，供Umi-OCR.exe不兼容时使用。 (#21)
优化：图片预览窗口，支持用Tab切换显示/隐藏文本。
优化：记录面板，每条记录顶部添加复制按钮。 (#32)
优化：记录面板，拖拽过程中允许指针移出文本框区域。 (#32)
优化：重新设计截图缓存机制，避免Image组件销毁时的内存泄露。
优化：标签页应用动态解析机制，小幅提高加载速度。
优化：运行环境转为64位包。（计划不再提供对32位的兼容）
修正：配置项中布尔值解析不正确的问题。 (#30)
修正：拖入非图片文件可能导致卡顿几秒的问题。
修正：PaddleOCR插件的兼容性问题。 (Umi-OCR #209)

v2.0.0 dev `2023.10.18`

新增：截图前自动隐藏窗口。 (#26)
新增：更改字体功能。 (#25)
新增：可爱的加载动画。
新增：截图预览面板支持显示结果文本、划选文本。
新增：截图预览面板支持将图片复制到剪贴板。
新增：结果记录面板支持跨文本框划选文本。 (#18)
新增：结果记录面板支持删除一条或多条记录。 (#10)
新增：支持用Esc或右键中断截图。
优化：更改插件目录结构和导入机制。
修正：文件重复导致无法添加开机自启。 (#27)

v2.0.0 dev `2023.10.10`

新功能：第一次启动软件时，根据系统情况，选择最恰当的渲染器。解决截图闪烁问题。 (#7)
新功能：初步实现插件机制，切换引擎等组件更加便捷。
新功能：支持调整界面比例（文字大小）。
优化：调整截图页UI，提高屏占比。优化标签栏阴影。 (#8)
优化：双击通知弹窗可打开主窗口。 (#10)
优化：截图完成后，如果主窗口在前台，则不弹出成功提示。 (#10)
优化：禁用美化效果时，外部弹窗将不会渲染阴影区域。 (#14)
优化：Paddle引擎也支持win7系统了。

baseenholmes / umi-ocr_v2 Goto Github PK

umi-ocr_v2's Introduction