મફત OCR — ઇમેજથી ટેક્સ્ટ એક્સટ્રેક્ટર

આ કેવી રીતે કાર્ય કરે છે

અહીં OCR (Optical Character Recognition) PP-OCRv5 ચલાવે છે, PaddleOCR પ્રોજેક્ટનો ઓપન-સોર્સ model સેટ, સીધો તમારા બ્રાઉઝરમાં. તે ફોટો કે સ્કેનમાંથી છાપેલો ટેક્સ્ટ વાંચે છે, ઇમેજ ક્યારેય તમારું ડિવાઇસ છોડ્યા વગર.

1. 1
   પહેલાં ટેક્સ્ટ regions શોધાય છે

   એક detection model ઇમેજ સ્કેન કરે છે અને ટેક્સ્ટની લાઇન જેવો દેખાતો દરેક patch outline કરે છે, જે લગભગ 960 pixels ની longest edge સુધી scaled copy પર કામ કરે છે. એટલે જ receipt નો ફોટો કામ કરે છે: model ટેક્સ્ટ શોધે છે, આખી ઇમેજને સાફ પેજ ન ગણીને. આ તબક્કો તમે કયી ભાષા વાંચો છો તેનાથી અલગ નથી, એટલે તે એક વાર ડાઉનલોડ થાય છે - લગભગ 12 MB - અને ફરી વાપરવામાં આવે છે.
2. 2
   તમારી script માટે એક recogniser ડાઉનલોડ થાય છે

   આકારો વાંચવું script-specific છે, એટલે તમે પસંદ કરેલી writing system માટે બીજો model fetch થાય છે - મોટાભાગના માટે લગભગ 8 MB, Korean માટે 13 MB, અને Chinese અને Japanese માટે 17 MB. Latin પસંદ કરવાનો કુલ ખર્ચ લગભગ 19 MB છે. દરેક કેશ થાય છે, એટલે અગાઉ વાપરેલી script પર પાછા જવાથી કંઈ ડાઉનલોડ થતું નથી.
3. 3
   દરેક લાઇન સીધી કરીને વાંચવામાં આવે છે

   દરેક શોધાયેલી લાઇન orientation માટે તપાસાય છે, જરૂર પડે તો સીધી કરવામાં આવે છે, પછી recogniser ને પાસ કરવામાં આવે છે, જે તેને character-by-character વાંચે છે. Reading order પછીથી ફરી બનાવવામાં આવે છે, ઉપરથી નીચે અને ડાબેથી જમણે, જેથી આઉટપુટ તમે જોઈ શકો છો તે layout સાથે મેચ થાય, detector ને boxes ક્યારે મળ્યા તેના ક્રમ સાથે નહીં.
4. 4
   ટેક્સ્ટ boxes અને confidence સાથે પાછો આવે છે

   દરેક લાઇન એક confidence score અને તે ક્યાંથી આવી તેના coordinates ધરાવે છે, જેથી તમે બરાબર જોઈ શકો કે ક્યાંથી શું વાંચવામાં આવ્યું, અને એ positions જાળવતું hOCR export કરી શકો. સાફ, high-contrast ટેક્સ્ટ 90% થી વધુ સ્કોર કરે છે; ઓછું resolution, ચમક, અને હસ્તાક્ષર તેને ઘટાડે છે.

સંબંધિત સાધનો