本用户手册适用于 Tesseract 5.x 版本。 对于 4.x.x、3.05.02 及更早版本,请参阅旧版文档。
Tesseract 是一个开源文字识别(OCR)引擎,基于 Apache 2.0 许可发布。
Tesseract 可以通过命令行直接使用,或者(对于程序员来说)通过使用 API 从图像中提取印刷文本。它支持多种语言。Tesseract 没有内置的图形用户界面,但在 3rdParty 页面上有几个可用的界面。Tesseract 的外部工具、封装和训练项目列在 AddOns 下。
Tesseract 可以在 Apache License 2.0 的条款下在您自己的项目中使用。它有一个功能齐全的 API,可以编译用于各种目标,包括 Android 和 iPhone。请查看 3rdParty 和 AddOns 页面,了解它已经完成的一些示例。
如果您有问题,请先阅读文档, 特别是 FAQ,看看您的问题是否在那里得到解答。 如果没有,请搜索问题列表, Tesseract 用户论坛, 如果您仍然找不到所需的信息,请在 Tesseract 用户论坛 Google 群组中提出您的问题。
Tesseract 是自由软件,所以如果您想参与并提供帮助,请随时加入! 如果您发现了一个 bug 并自己修复了,最好的做法是将补丁附加到 问题列表 中的 bug 报告上。
Tesseract 4.0 添加了一个基于 LSTM 神经网络的新 OCR 引擎。它在 x86/Linux 上运行良好,官方语言模型数据可用于 100 多种语言和 35 多种文字。有关更多详细信息,请参阅 4.0x 更新日志。
Tesseract 5.x.x 源代码可在存储库的 main
分支中找到。
main
分支使用 5.0.0
语义版本控制,因为 C++ 代码现代化导致与 4.x 发布版本的 API 不兼容。
二进制文件可从以下位置获取:
有关不同类型模型的详细信息,请参阅 数据文件。
版本 4.00
的模型文件可从 tessdata 标记为 4.00 获取。它包含 2016 年 11 月的模型。各个语 言文件的链接可从以下链接获取。
版本 4.0.0
及更高版本的模型文件可从 tessdata 标记为 4.0.0 获取。
它包含 2017 年 9 月的旧版模型,这些模型已使用 tessdata_best
LSTM 模型的整数版本进行了更新。这组训练数据文件同时支持使用 --oem 0
的旧识别器和使用 --oem 1
的 LSTM 模型。
这些模型可从以下 Github 仓库获取。
tessdata 两套额外的由Google训练的"官方"traineddata在以下GitHub仓库中提供。这些数据集不包含传统模型,仅包含可与"--oem 1"一起使用的LSTM模型。
与上面列出的4.0.0版本相同的语言模型traineddata文件可用于Tesseract 5.x.x。这些文件可从以下地址获取:
使用tesstrain.sh
(即Tesseract 4训练)的训练方法已不受支持/被废弃。
请使用tesseract-ocr/tesstrain中的脚本进行训练。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号