综合介绍
GOT-OCR2.0是一个阶跃星辰联合推出de 开源光学字符识别（OCR）模型，旨在通过一个统一的端到端模型推动OCR技术向OCR-2.0迈进。该模型支持多种OCR任务，包括普通文本识别、格式化文本识别、细粒度OCR、多裁剪OCR和多页OCR。GOT-OCR2.0的设计目标是提供一个通用且高效的解决方案，适用于各种复杂的OCR应用场景。
基于 QWen2 0.5 B 模型。号称 OCR 2.0，580M 参数的端到端 OCR 模型，拿到了 BLEU 0.972 分数。在线体验地址：https://huggingface.co/spaces/ucaslcl/GOT_online
功能列表
- 普通文本识别：识别图片中的普通文本内容。
- 格式化文本识别：识别并保留文本的格式信息，如表格、段落等。
- 细粒度OCR：识别图片中的细小文本和复杂背景下的文本。
- 多裁剪OCR：支持对图片进行多次裁剪并识别每个裁剪区域的文本。
- 多页OCR：支持对多页文档进行OCR处理。
使用帮助
安装流程
- 克隆项目代码：
git clone https://github.com/Ucas-HaoranWei/GOT-OCR2.0.git cd GOT-OCR2.0 - 创建并激活虚拟环境：
conda create -n got python=3.10 -y conda activate got - 安装项目依赖：
pip install -e . - 安装Flash-Attention：
pip install ninja pip install flash-attn --no-build-isolation
获取GOT模型权重
- Huggingface
- Google Drive
- 百度云（提取码：OCR2）
使用流程
- 准备输入数据：将需要进行OCR处理的图片或文档放置在指定的输入目录中。
- 运行OCR模型：
python3 GOT/demo/run_ocr_2.0.py --model-name /GOT_weights/ --image-file /an/image/file.png --type ocr - 查看输出结果：OCR处理后的文本将保存在指定的输出目录中，用户可以根据需要进行进一步处理。
功能操作详解
- 普通文本识别：将图片中的普通文本内容识别并输出为纯文本文件，适用于简单的文本提取任务。
- 格式化文本识别：在识别文本的同时保留其格式信息，如表格、段落等，适用于需要保留文档原始格式的场景。
- 细粒度OCR：针对复杂背景下的细小文本进行识别，适用于需要高精度文本提取的场景。
- 多裁剪OCR：对图片进行多次裁剪并识别每个裁剪区域的文本，适用于需要对图片进行多区域识别的场景。
- 多页OCR：支持对多页文档进行OCR处理，适用于处理长文档或多页PDF文件的场景。
通过上述步骤，用户可以轻松安装和使用GOT-OCR2.0模型进行各种OCR任务。该模型提供了丰富的功能模块，能够满足不同场景下的OCR需求。
