软件介绍

Surya 是一个文档OCR工具包，提供强大的OCR（光学字符识别）和线条检测功能，支持90多种语言。近期热文:

|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | 5.5K Star 强强强!!!PPT在线制作的开源方案 13.8K Star开源!这个电子表格厉害了 1.5K 强强强!!!开源超强的AI助手,支持多系统 OA必备!!!开源一个好看的工作流设计器 |

• OCR： 支持90多种语言的OCR，优于云服务的基准测试；

• 文本行检测： 可以在任何语言中进行行级文本检测；

• 排版分析： 包括表格、图像、页眉等的检测；

• 阅读顺序检测： 有助于文档内容的阅读顺序。

性能对比

surya和tesseract光学字符识别性能对比

surya和tesseract文本行检测性能对比

快速入门

• 1.安装： 安装 surya-ocr 需要 Python 3.9+ 和 PyTorch。首次运行会自动下载模型权重。

  pip install surya-ocr

• 2.文本识别（OCR）： 根据示例代码运行OCR，识别图片中的文本信息；

  from PIL import Image from surya.ocr import run_ocr from surya.model.detection import segformer from surya.model.recognition.model import load_model from surya.model.recognition.processor import load_processor

  读取图像

  image = Image.open(IMAGE_PATH) langs = ["en"] # 替换为具体语言 det_processor, det_model = segformer.load_processor(), segformer.load_model() rec_model, rec_processor = load_model(), load_processor()

  运行 OCR

  predictions = run_ocr([image], [langs], det_model, det_processor, rec_model, rec_processor)

• 3.文本行检测： 使用相应的模型进行文本行检测；

  from PIL import Image from surya.detection import batch_text_detection from surya.model.detection.segformer import load_model, load_processor

  读取图像

  image = Image.open(IMAGE_PATH) model, processor = load_model(), load_processor()

  进行文本行检测

  predictions = batch_text_detection([image], model, processor)

• 4.排版分析： 使用提供的模型和处理器进行文档的排版分析；

  from PIL import Image from surya.detection import batch_text_detection from surya.layout import batch_layout_detection from surya.model.detection.segformer import load_model, load_processor from surya.settings import settings

  读取图像

  image = Image.open(IMAGE_PATH) model = load_model(checkpoint=settings.LAYOUT_MODEL_CHECKPOINT) processor = load_processor(checkpoint=settings.LAYOUT_MODEL_CHECKPOINT) det_model = load_model() det_processor = load_processor()

  进行排版分析

  line_predictions = batch_text_detection([image], det_model, det_processor) layout_predictions = batch_layout_detection([image], model, processor, line_predictions)

• 5.阅读顺序检测： 进行文档内容的阅读顺序检测。

  from PIL import Image from surya.ordering import batch_ordering from surya.model.ordering.processor import load_processor from surya.model.ordering.model import load_model

  image = Image.open(IMAGE_PATH)

  bboxes应该是一个包含[x1,y1,x2,y2]格式的图像布局框的列表

  例如，可以从layout_model获取此信息，参见上面的用法示例

  bboxes = [bbox1, bbox2, ...]

  model = load_model() processor = load_processor()

  进行阅读顺序检测

  order_predictions = batch_ordering([image], [bboxes], model, processor)

Surya 的强大功能使其适用于处理各种类型的文档，其中包括文字识别、文本行检测、排版分析和内容阅读顺序检测。