Giters

86maid / ddddocr

ddddocr rust 版本，ocr_api_server rust 版本，二进制版本，验证码识别，不依赖 opencv 库，跨平台运行，a simple OCR API server, very easy to deploy。

Geek Repo:Geek Repo

Github PK Tool:Github PK Tool

ddddocrocrrustverificationverification-codeaineural-network

简介

ddddocr rust 版本，ocr_api_server rust 版本，二进制版本，验证码识别，不依赖 opencv 库，跨平台运行，a simple OCR API server, very easy to deploy。

lib.rs 实现了 ddddocr。

main.rs 实现了 ocr_api_server。

model 目录是模型与字符集。

依赖本库 ddddocr = { git = "https://github.com/86maid/ddddocr.git", branch = "master" }

开启 cuda 特性 ddddocr = { git = "https://github.com/86maid/ddddocr.git", branch = "master", features = ["cuda"] }

开启 cuda 需要 cuda 11 的 nvidia gpu (不确定 cuda 10 是否有效)

如果你不想从源代码构建，这里有编译好的二进制版本。

支持使用 ddddocr 调用 dddd_trainer 训练后的自定义模型。

dddd_trainer 训练后会在 models 目录里导出 charsets.json 和 onnx 模型。

如下所示：

use ddddocr::*;

let mut ocr = Ddddocr::with_model_charset(
    "myproject_0.984375_139_13000_2022-02-26-15-34-13.onnx",
    "charsets.json",
)
.unwrap();
let image_bytes = std::fs::read("888e28774f815b01e871d474e5c84ff2.jpg").unwrap();
let res = ocr.classification(&image_bytes).unwrap();
println!("{:?}", res);

❗❗❗ 疑难杂症

在 windows 上依赖 onnxruntime.dll，需要将在压缩包的 lib 下的 onnxruntime.dll 解压到运行目录或系统调用目录，否则运行将会 panic (exit code: 0xc000007b)。

在 linux 上依赖 libonnxruntime.so.1.8.1，运行和构建的方式和 windows 平台大同小异。

运行时出现以下错误，请设置环境变量 LD_LIBRARY_PATH 为 libonnxruntime.so.1.8.1 所在的目录。

./ddddocr: error while loading shared libraries: libonnxruntime.so.1.8.1: cannot open shared object file: No such file or directory

在构建时有两种策略，可以设置环境变量 ORT_STRATEGY 的值为如下：

  1. (默认) download 自动从网上下载 onnxruntime。
  2. system 从本地安装 onnxruntime，此时要设置环境变量 ORT_LIB_LOCATION 的值为库的位置（解压），然后重启 VSCode 刷新环境变量。

在构建的时候，默认使用 download 策略，如果出现以下报错，这是因为自动下载依赖失败导致的，请设置好代理，或者手动下载 onnxruntime，并将其放在报错中所指 into 目录中（不要解压）。

error: failed to run custom build command for `onnxruntime-sys v0.0.14`

Caused by:
  process didn't exit successfully: `C:\Users\XChuang233\Desktop\ddddocr-rust\ddddocr\target\debug\build\onnxruntime-sys-d30ec19d280a0792\build-script-build` (exit code: 101)
  --- stdout
  strategy: "unknown"
  cargo:rerun-if-changed=C:\Users\XChuang233\Desktop\ddddocr-rust\ddddocr\target\debug\build\onnxruntime-sys-1098f02db763c8b2\out\onnxruntime-win-x64-1.8.1.zip
  Creating directory "C:\\Users\\XChuang233\\Desktop\\ddddocr-rust\\ddddocr\\target\\debug\\build\\onnxruntime-sys-1098f02db763c8b2\\out"
  Downloading https://github.com/microsoft/onnxruntime/releases/download/v1.8.1/onnxruntime-win-x64-1.8.1.zip into C:\Users\XChuang233\Desktop\ddddocr-rust\ddddocr\target\debug\build\onnxruntime-sys-1098f02db763c8b2\out\onnxruntime-win-x64-1.8.1.zip

注意，如果你开启了 cuda 特性，则要下载 gpu 版本的 onnxruntime，可以设置 ORT_STRATEGY 的值为 download ORT_USE_CUDA=1 自动下载依赖。

如果你在 linux 编译失败，尝试使用 apt install binutils，然后 cargo clean，再重新编译。

如果你 linux 和 osx 版本编译失败，尝试使用 cargo zigbuild，这将使用 zig 的链接器，本人亲测，有奇效！

其他疑难杂症请访问 onnxruntime-rs。

滑块部分

算法非深度神经网络实现。

算法1

小滑块为单独的png图片，背景是透明图，如下图：

Test

然后背景为带小滑块坑位的，如下图：

Test

let target_bytes = std::fs::read("target.png").unwrap();
let background_bytes = std::fs::read("background.png").unwrap();
let res = ddddocr::slide_match(target_bytes, background_bytes).unwrap();
println!("{:?}", res);

提示：如果小图无过多背景部分，则可以添加simple_target参数， 通常为jpg或者bmp格式的图片

let target_bytes = std::fs::read("target.png").unwrap();
let background_bytes = std::fs::read("background.png").unwrap();
let res = ddddocr::simple_slide_match(target_bytes, background_bytes).unwrap();
println!("{:?}", res);

算法2

一张图为带坑位的原图，如下图：

Test

一张图为原图，如下图：

Test

let target_bytes = std::fs::read("target.png").unwrap();
let background_bytes = std::fs::read("background.png").unwrap();
let res = ddddocr::slide_comparison(target_bytes, background_bytes).unwrap();
println!("{:?}", res);

OCR 部分

内容识别

let image = std::fs::read("target.png").unwrap();
let mut ocr = ddddocr::ddddocr_classification().unwrap();
let res = ocr.classification(image).unwrap();
println!("{:?}", res);

旧模型

let image = std::fs::read("target.png").unwrap();
let mut ocr = ddddocr::ddddocr_classification_old().unwrap();
let res = ocr.classification(image).unwrap();
println!("{:?}", res);

OCR部分应该已经有很多人做了测试，在这里就放一部分网友的测试图片。

Test Test Test Test Test Test Test Test Test Test Test Test

等等更多图片等你测试哟~

目标检测

let image = std::fs::read("target.png").unwrap();
let mut det = ddddocr::ddddocr_detection().unwrap();
let res = det.detection(image).unwrap();
println!("{:?}", res);

举些例子：

Test Test Test Test Test Test Test

以上只是目前我能找到的点选验证码图片，做了一个简单的测试。

ocr_api_server 例子

运行方式

Usage: ddddocr.exe [OPTIONS]

Options:
  -a, --address <ADDRESS>    监听地址 [default: 127.0.0.1]
  -p, --port <PORT>          监听端口 [default: 9898]
  -f, --full                 开启所有选项
      --ocr                  开启内容识别，支持新旧模型共存
      --old                  开启旧版模型内容识别，支持新旧模型共存
      --det                  开启目标检测
      --ocr-path <OCR_PATH>  内容识别模型以及字符集路径， 通过哈希值判断是否为自定义模型， 使用自定义模型会使 old 选项失效， 路径 model/common 对应模型 model/common.onnx 和字符集 model/common.json [default: model/common]
      --det-path <DET_PATH>  目标检测模型路径 [default: model/common_det.onnx]
      --slide-match          开启滑块识别
      --simple-slide-match   开启简单滑块识别
      --slide-compare        开启坑位识别
  -h, --help                 Print help

接口

测试是否启动成功，可以通过直接 GET/POST 访问 http://{host}:{port}/ping 来测试，如果返回 pong则启动成功。

http://{host}:{port}/{opt}/{img_type}/{ret_type}

opt:
  ocr           内容识别
  old           旧版模型内容识别
  det           目标检测
  match         滑块匹配
  simple_match  简单滑块匹配
  compare       坑位匹配

img_type:
  file          文件，即 multipart/form-data
  b64           base64，即 {"a": encode(bytes), "b": encode(bytes)}

ret_type:
  json          json，成功 {"status": 200, "result": object}，失败 {"status": 404, "msg": "失败原因"}
  text          文本，失败返回空文本

具体请看 test_api.py 文件

import requests
import base64

host = "http://127.0.0.1:9898"
file = open('image/3.png', 'rb').read()

api_url = f"{host}/ocr/file/text"
resp = requests.post(api_url, files={'image': file})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/ocr/file/json"
resp = requests.post(api_url, files={'image': file})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/ocr/b64/text"
resp = requests.post(
    api_url, json={'image': base64.b64encode(file).decode()})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/ocr/b64/json"
resp = requests.post(
    api_url, json={'image': base64.b64encode(file).decode()})
print(f"{api_url=}, {resp.text=}")

# =============================================================
# =============================================================
# =============================================================


api_url = f"{host}/old/file/text"
resp = requests.post(api_url, files={'image': file})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/old/file/json"
resp = requests.post(api_url, files={'image': file})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/old/b64/text"
resp = requests.post(
    api_url, json={'image': base64.b64encode(file).decode()})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/old/b64/json"
resp = requests.post(
    api_url, json={'image': base64.b64encode(file).decode()})
print(f"{api_url=}, {resp.text=}")

# =============================================================
# =============================================================
# =============================================================


api_url = f"{host}/det/file/text"
resp = requests.post(api_url, files={'image': file})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/det/file/json"
resp = requests.post(api_url, files={'image': file})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/det/b64/text"
resp = requests.post(api_url, json={'image': base64.b64encode(file).decode()})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/det/b64/json"
resp = requests.post(api_url, json={'image': base64.b64encode(file).decode()})
print(f"{api_url=}, {resp.text=}")


# =============================================================
# =============================================================
# =============================================================

target_file = open('image/a.png', 'rb').read()
bg_file = open('image/b.png', 'rb').read()

api_url = f"{host}/match/file/text"
resp = requests.post(
    api_url, files={'target': target_file, 'background': bg_file})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/match/file/json"
resp = requests.post(
    api_url, files={'target': target_file, 'background': bg_file})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/match/b64/text"
resp = requests.post(
    api_url, json={'target': base64.b64encode(target_file).decode(), 'background': base64.b64encode(bg_file).decode()})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/match/b64/json"
resp = requests.post(
    api_url, json={'target': base64.b64encode(target_file).decode(), 'background': base64.b64encode(bg_file).decode()})
print(f"{api_url=}, {resp.text=}")

# =============================================================
# =============================================================
# =============================================================

target_file = open('image/a.png', 'rb').read()
bg_file = open('image/b.png', 'rb').read()

api_url = f"{host}/simple_match/file/text"
resp = requests.post(
    api_url, files={'target': target_file, 'background': bg_file})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/simple_match/file/json"
resp = requests.post(
    api_url, files={'target': target_file, 'background': bg_file})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/simple_match/b64/text"
resp = requests.post(
    api_url, json={'target': base64.b64encode(target_file).decode(), 'background': base64.b64encode(bg_file).decode()})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/simple_match/b64/json"
resp = requests.post(
    api_url, json={'target': base64.b64encode(target_file).decode(), 'background': base64.b64encode(bg_file).decode()})
print(f"{api_url=}, {resp.text=}")


# =============================================================
# =============================================================
# =============================================================

target_file = open('image/c.jpg', 'rb').read()
bg_file = open('image/d.jpg', 'rb').read()

api_url = f"{host}/compare/file/text"
resp = requests.post(
    api_url, files={'target': target_file, 'background': bg_file})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/compare/file/json"
resp = requests.post(
    api_url, files={'target': target_file, 'background': bg_file})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/compare/b64/text"
resp = requests.post(
    api_url, json={'target': base64.b64encode(target_file).decode(), 'background': base64.b64encode(bg_file).decode()})
print(f"{api_url=}, {resp.text=}")

api_url = f"{host}/compare/b64/json"
resp = requests.post(
    api_url, json={'target': base64.b64encode(target_file).decode(), 'background': base64.b64encode(bg_file).decode()})
print(f"{api_url=}, {resp.text=}")

About

ddddocr rust 版本，ocr_api_server rust 版本，二进制版本，验证码识别，不依赖 opencv 库，跨平台运行，a simple OCR API server, very easy to deploy。

ddddocrocrrustverificationverification-codeaineural-network

Languages

Language:Rust 89.1%Language:Python 10.9%