简介这是一份基于EasyOCR构建的OCR文字识别系统项目包面向图像识别、文本识别与机器学习方向的初学者和课程设计者解决从图像中快速提取文字并集成到应用里的实际需求。资源包压缩后仅1.83MB共8个文件主要包含3张示例图片、2个Python脚本、1个依赖清单、1个说明文档和1个课程设计汇报PPT示例图片可直接用于测试效果结构与用途一目了然。代码覆盖图像输入、预处理、EasyOCR识别和结果输出等核心环节且提供初版与最终版两份源码便于对照学习系统迭代与优化思路requirements.txt列明依赖环境可复现、可扩展README文档也降低了上手门槛。已有39人学习该资源适合快速完成OCR课程设计、理解深度学习文字识别链路或在文档数字化、信息提取等场景中快速落地应用的读者。1. 为什么还要本地跑 OCR这套 EasyOCR 识别系统能帮你省下什么EasyOCR 这个 OCR 文字识别系统把图像识别和文本识别揉进一条离线处理流程核心是用机器学习模型完成“文字在哪”和“文字是什么”两件事。它最大的价值不是“能识别”而是“在本地能跑、参数可调、结果带着坐标和置信度”你可以拿它去批量处理截图、单据照片和长图而不是一张张手动抄。这个 zip 解压出来的是一套基于 EasyOCR 的完整识别工程通常包含启动脚本、参数配置区和模型权重目录如果权重一起打了包你甚至可以在不通外网的环境里直接跑。我把解压、跑通、调参到写出 JSON 结果的过程拆成了后面四章前两章讲原理和复现第四章是实际使用中一定会遇到的坑。适合谁写过几行 Python、想批量把图片转成结构化文本的从业者也适合被云端 OCR 按调用量收费搞烦了想自己本地维护一套识别能力的开发者。看完你至少能回答三个问题这个系统能不能用怎么用坑在哪。2. EasyOCR 识别原理与资源内容两段式流程和四个直接影响结果的阈值OCR 不是单个模型一把梭。EasyOCR 内部典型的实现是“检测 识别”两段式这决定了你所调的阈值为什么是那几个也决定了为什么同一个 zip 在 A 的手里好用、在你手里乱码。先理解原理再动参数省得后面翻车。2.1 检测与识别两段式先找文字位置再判断“这是什么字”检测阶段用的是 CRAFT 思路它不先找整行文字而是逐个估计字符区域。模型的输出是两张“分数图”一张表示某个像素大概率属于字符中心另一张表示相邻字符之间的关联紧密程度。你看到的text_threshold、low_text、link_threshold这三个参数干的活就是把分数图转成最终文本框。阈值调太高字符中心没到线的文字会被整个丢掉调太低无数背景纹理会被当成“疑似文字”送到识别阶段拖慢速度也制造噪声。识别阶段做的是另一件事把检测阶段框出来的文字区域裁剪出来缩放到固定尺寸丢进一个序列识别网络。这个网络一般先用卷积层提取图像特征再用带 CTC 或注意力机制的解码器输出字符序列。所以同一个词在图上被检测成两个框识别结果也可能被切成两半反过来说识别结果乱码不一定是模型不认识字而是前面的框位置不对。这套资源里最容易被忽略的是语言权重文件。Reader([ch_sim, en])里的ch_sim加载简体中文模型en加载英文模型。如果你解压后把权重目录删了首次运行会去联网下载模型如果压缩包带权重就可以用download_enabledFalse强制离线。我一般在批处理脚本里直接指定model_storage_directory指向解压后的models文件夹避免每次都在默认目录找不到模型。2.2 最小验证脚本和参数表跑通前先看懂四个阈值先跑一个最小验证脚本再谈调参import easyocr reader easyocr.Reader( [ch_sim, en], gpuFalse, model_storage_directory./models, download_enabledFalse ) result reader.readtext( sample.jpg, detail1, paragraphFalse, text_threshold0.7, low_text0.4, link_threshold0.4, mag_ratio1.5 ) for box, text, conf in result: print(坐标:, box) print(文本:, text) print(置信度:, round(float(conf), 4))逻辑说明readtext返回一个列表每个元素是“文本框四角坐标、识别文本、置信度”的三元组box 是四个点的坐标每个点是[x, y]顺序为左上、右上、右下、左下。第一次调用会比较慢因为要把模型权重加载进内存后续调用会复用同一个 reader。参数说明部分最值得你看的是下面这张表。我第一次调参时只调text_threshold其他保持默认结果该漏的照样漏后来把整组参数一起看问题才清晰。参数默认值作用我的常用调整text_threshold0.7像素属于字符区域的把握低于该值不保留截图小字多时降到 0.5~0.6low_text0.4低于主阈值但高于该值的区域继续向上追踪文字密集/粘连时降到 0.3link_threshold0.4相邻字符连接的置信度下限中英混排时可调到 0.45mag_ratio1.0检测阶段把图放大多少倍小字调到 1.5~2.0canvas_size2560送入检测网络的长边上限大图调到 1600~2000 防显存溢出整条流程是读图 → 按canvas_size限制长边 → 检测网络出文本框 → 每个框裁剪并仿射校正 → 识别网络出字符串 → 后处理过滤。我在这类资源里经常看到有人把后处理写死在脚本里这样不好后处理应该和识别参数分开否则每换一批截图就得改代码。2.3 为什么本地方案更合适离线、可控、但别指望它能读艺术字选型理由第一条是离线性内部单据、聊天记录截图不用传出去省掉了对外的网络依赖。第二条是成本本地识别没有按次计费重跑一百张图也只消耗电费。第三条是可控性云端 OCR 只能返回字符串本地方案能拿到坐标和置信度后面接正则、接规则引擎都方便。边界也要说清楚。EasyOCR 的预训练模型对印刷体、屏幕字体效果不错但对艺术字、手写体和复杂光影背景识别率会明显下降。这不是 bug而是模型训练数据的上限。常见做法是先用它把流程跑通再根据真实样本调阈值不要一上来就微调模型时间会大量花在整理标注数据上收益可能不如先做后处理。压缩包解压后的标准工程结构大致如下方便你们对照定位路径/文件作用predict.py单张或文件夹识别入口config.py或参数区集中管理语言列表和阈值models/权重缓存对应model_storage_directoryrequirements.txt依赖清单如果你看到的是这种结构第一步应该打开config.py而不是直接跑predict.py。因为语言列表和模型路径一旦写错后面每一步都会跟着错。3. 环境搭建与复现三步跑通脚本、批处理和结果导出这一章解决“能不能跑起来”的问题。我按实际操作顺序写先做环境匹配再跑单图最后上批处理。如果你在 GPU 机器上建议第一次验证还是先用gpuFalse排除 CUDA 的干扰跑通了再切 GPU。3.1 环境匹配Python 版本、PyTorch 和模型目录先用 conda 建一个干净环境避免和系统 Python 打架conda create -n ocr_env python3.9 -y conda activate ocr_env pip install easyocrPython 3.8 到 3.10 最稳3.11 以上偶尔会遇到某个 C 扩展编译不通过。easyocr会自动拉 PyTorch、OpenCV、scikit-image 等依赖所以我一般先装一个干净的 PyTorch再装easyocr顺序反过来的话依赖解析容易出问题。装完以后先确认计算环境import torch print(torch:, torch.__version__) print(cuda:, torch.cuda.is_available())如果输出cuda: False初始化 reader 时就要用gpuFalse如果输出True可以尝试gpuTrue。常见做法是把模型目录固定到项目内不散落在系统默认路径import easyocr reader easyocr.Reader( [ch_sim, en], gpuFalse, model_storage_directory./models, download_enabledFalse )逻辑说明model_storage_directory指定权重存放位置download_enabledFalse表示不联网下载。如果你解压后发现models目录是空的就把download_enabled临时改成True让它自动下载一次之后再把参数改回来。3.2 单图识别输出坐标、文本和置信度跑通环境后用一张带文字的普通截图测试import easyocr reader easyocr.Reader([ch_sim, en], gpuFalse) result reader.readtext(sample.png, detail1, paragraphFalse) for box, text, conf in result: print(text, round(float(conf), 4), box)detail1才能拿到坐标和置信度如果只要字符串可以改成detail0返回值会从三元组列表变成纯字符串列表。注意readtext的输出顺序是检测结果顺序不是稳定的阅读顺序做表格类应用时需要自己按 y 坐标排序。box[0]是左上角box[2]是右下角转换 x1/y1/x2/y2 时直接用这两个点。3.3 批处理与 JSON 导出给“一堆截图”写个循环单张跑通后真实场景是几百张截图。我习惯把结果统一导出成 JSON保留坐标和置信度方便后面出问题回溯import easyocr import json import glob from pathlib import Path def run_batch(image_dir./imgs, output_dir./out): reader easyocr.Reader( [ch_sim, en], gpuFalse, model_storage_directory./models, download_enabledFalse ) results {} for img_path in sorted(glob.glob(str(Path(image_dir) / *))): boxes reader.readtext(img_path, detail1, paragraphFalse) items [] for box, text, conf in boxes: x1, y1 int(box[0][0]), int(box[0][1]) x2, y2 int(box[2][0]), int(box[2][1]) items.append({ bbox: [x1, y1, x2, y2], text: text, conf: round(float(conf), 4) }) results[img_path] items Path(output_dir).mkdir(parentsTrue, exist_okTrue) with open(Path(output_dir) / ocr_result.json, w, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) if __name__ __main__: run_batch()这段代码里最关键的是把box转成x1/y1/x2/y2也就是左上角和右下角两个点。后续过滤置信度、按坐标定位字段都靠这个结构。如果你需要 CSV可以换成csv.writer逐行写字段保持一致就行。3.4 预处理小字、反光和更稳的背景不是所有图都能直接丢进去。截图里的小字、拍照产生的反光、压暗的背景都会让识别率掉一截。我一般先用 PIL 做两步预处理from PIL import Image, ImageEnhance img Image.open(sample.jpg).convert(RGB) img img.resize((img.width * 2, img.height * 2), Image.LANCZOS) img ImageEnhance.Contrast(img).enhance(1.5) img.save(sample_pre.png)逻辑说明放大图片是针对小字提高对比度是针对反光。两者都可以帮助检测阶段找到字符区域。但注意外部放大和mag_ratio二选一不要同时上否则内存和时间都扛不住。这里有个实际操作上的经验我一般直接传文件路径给readtext不用 OpenCV 读好再传。因为 EasyOCR 内部用 PIL 读图是 RGB 顺序OpenCV 读出来是 BGR。虽然文字本身大概率还能识别但彩色背景一旦通道顺序错位对比度就乱了影响检测。如果你想验证检测框位置可以用 OpenCV 画框import cv2 img cv2.imread(sample.png) for box, text, conf in reader.readtext(sample.png, detail1, paragraphFalse): x1, y1 int(box[0][0]), int(box[0][1]) x2, y2 int(box[2][0]), int(box[2][1]) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 0, 255), 2) cv2.imwrite(sample_boxed.png, img)这一步能直观看出哪些文字框被切碎了。框都不对识别结果肯定不对。4. 避坑与常见问题排查五个会让你翻车的隐性参数与依赖坑以下都是我实际跑这套系统时记录下来的问题按现象、原因、解决写。每一条都值得存进自己的笔记。4.1 ImportError: libcublas 找不到GPU 版本没真正装上现象import easyocr能过easyocr.Reader(..., gpuTrue)时报错类似libcublas.so.XX: cannot open shared object file。原因PyTorch 和本地 CUDA 运行库版本不一致。常见情况是以前装的整合包版本太旧显卡驱动装的是新版 CUDA两边对不上。EasyOCR 初始化时会强制初始化张量问题立刻暴露。解决先跑import torch; print(torch.cuda.is_available())。如果返回False直接用gpuFalse不要纠结如果返回True卸载 torch 重装一次再重启解释器验证。我一般会在干净环境里重装 PyTorch而不是在原环境里硬修因为 CUDA 运行库这个东西很难手工补干净。4.2 中文识别乱码阈值组合比换模型更优先现象英文识别正常中文每隔几个字丢字或乱码尤其是 12px 左右的小字。原因检测阶段给中文字符的分数通常比英文低。text_threshold0.7会把一部分中文像素当成背景导致识别阶段看到的图是残缺的。这时候不是识别模型不行而是检测框先把字切坏了。解决不要急着换模型先调低阈值result reader.readtext( small_cn.png, text_threshold0.5, low_text0.3, mag_ratio2.0 )mag_ratio2.0对屏幕截图里的小字有效如果还是不行再考虑用外部预处理放大。注意调低阈值后背景噪声可能会变多好在这套系统会给你置信度后面用conf过滤即可。注意调低阈值不能解决所有乱码。如果同一张图跑两次结果不一致多半是推理图被缩放到了不同尺寸不是模型不稳定。4.3 paragraphTrue 把表格上下行粘在一起坐标也乱了现象识别一张表格时姓名、电话、地址被识别成一行中间用空格隔开后续按字段拆分非常痛苦。原因paragraphTrue会把相邻文本框合并成段落表格这种格子密集的场景根本不适合。它适合连续行文的扫描件不适合结构化单据。解决强制paragraphFalse然后自己按坐标排序def sort_boxes(boxes): boxes.sort(keylambda b: (b[0][1], b[0][0])) return boxes排序后按 y 坐标分组再对每组按 x 坐标排序就能恢复阅读顺序。这一步是“用坐标做结构化”的关键。4.4 长图识别太慢整图放大是最大的时间黑洞现象一张 4000x6000 的长截图跑了几分钟没出结果CPU 风扇直接拉满。原因EasyOCR 检测阶段会先把图缩放到canvas_size附近如果mag_ratio再设置成 1.5 或 2.0等于在超大特征图上做推理时间成倍增加。解决先压长边再进模型from PIL import Image img Image.open(long.png) img.thumbnail((2000, 2000)) img.save(long_resize.png)如果业务必须保留原图细节那就切块识别不要整图硬跑。长边 2000 基本够识别屏幕截图里的文字超过这个尺寸的收益很低。4.5 GPU 显存不够大图直接切块别硬撑现象8G 显存单张图能过批量跑到几十张时直接 OOM进程被杀。原因检测阶段会把输入缩放到canvas_size附近并在显存中保留多尺度特征图如果每张图都很大显存占用会持续累积。批量脚本里如果还用gpuTrue且不做尺寸控制OOM 是早晚的事。解决先把长边压到 1600 左右再不行就切块import cv2 def crop_grid(img_path, size1024): img cv2.imread(img_path) h, w img.shape[:2] for y in range(0, h, size): for x in range(0, w, size): cv2.imwrite(fcrop_{y}_{x}.png, img[y:ysize, x:xsize])切块后逐块识别再根据y、x坐标把结果拼回原图坐标系。注意切块时保留一点重叠区域避免文字恰好被边界切断。5. 进阶把 confidence 用起来做一个文本抽取校验的小管线到这里识别本身已经能跑了真正拉开差距的是怎么用置信度和坐标做后处理。5.1 先用低阈值保住召口再用正则和置信度排序很多人的习惯是提高阈值减少噪声但这会在第一步就丢掉大量真实文字。我一般反着来先用低阈值把候选全部捞出来再用正则和后处理过滤。比如从订单截图里提取订单号import re def extract_order(reader_result): candidates [] for box, text, conf in reader_result: hits re.findall(r[A-Z]{2}\d{8,}, text) for hit in hits: candidates.append((hit, float(conf))) if not candidates: return None candidates.sort(keylambda x: -x[1]) return candidates[0]逻辑说明低阈值保证召口正则保证格式置信度排序则把最靠谱的候选放在最前面。这是典型的两级过滤思路比单纯把阈值调到 0.9 实用得多。5.2 用编辑距离做 20 张图的回归验证当你准备调text_threshold时不要凭感觉。我会先准备 20 张标注过的截图跑一遍然后计算识别文本和标准答案的相似度import difflib def text_similarity(gt, pred): return difflib.SequenceMatcher(None, gt, pred).ratio()用这个值做回归对比调整参数前记录基线调整后重跑同一批图如果相似度没有提升说明你的改动只是感动了自己。我一般把参数和结果写在同一张表里方便回溯。5.3 把坐标留给下游对单据做关键词定位坐标不是白拿的。比如你要提取单据里的“金额”字段可以先在识别结果里找到包含“金额”的文本框再用它旁边的坐标去抓数值for box, text, conf in result: if 金额 in text: print(金额字段坐标:, box)这样做的好处是不依赖固定模板截图里字段挪了位置也能跟上。配合前面的 JSON 导出一套可维护的本地 OCR 管线就完整了。从那以后我每次解压一个新的 OCR 工程都会强制走一遍固定动作先 CPU 跑通再批量压 20 张真实截图记录不同text_threshold和low_text下的漏检率与乱码率最后才决定是否上 GPU。没有这份阈值调整日志你会以为 EasyOCR 是个黑匣子其实它只是把决定权留给了你。希望帮到你。本文还有配套的精品资源点击获取