适用于 Windows7 x64 及以上
这里是记录 Umi-OCR 全新重构版本v2.0的仓库。
- 全新升级：V2版本重构了绝大部分代码，提供焕然一新的界面和更强大的功能。
- 免费：本项目所有代码开源，完全免费。
- 方便：解压即用，离线运行，无需网络。
- 批量：支持批量导入处理图片。也可以即时截屏识别。
- 高效：自带高效的离线OCR引擎。只要电脑性能足够，可以比在线OCR服务更快。
- 灵活：支持定制界面，支持命令行、HTTP接口等多种调用方式。
开发者请务必阅读 构建项目 。
Umi-OCR v2 由一系列灵活好用的标签页组成。您可按照自己的喜好，打开需要的标签页，并锁定标签栏。
截图OCR：打开这一页后，就可以用快捷键唤起截图，识别图中的文字。
- 左侧的图片预览栏，可直接用鼠标划选复制。
- 右侧的识别记录栏，可以编辑文字，允许划选多个记录复制。
- 也支持在别处复制图片，粘贴到Umi-OCR进行识别。
批量OCR：这一页支持批量导入本地图片并识别。
- 识别内容可以保存为 txt / jsonl / md / csv(Excel) 等多种格式。
- 支持
文本后处理技术，能识别属于同一自然段的文字，并将其合并。还支持代码段、竖排文本等多种处理方案。 - 没有数量上限，可一次性导入几百张图片进行任务。
- 支持任务完成后自动关机/待机。
全局设置：在这里可以调整软件的全局参数。
- 支持更改界面语言。（翻译校对工作将在第一个正式版发布后进行）
- 支持切换界面主题。Umi-OCR拥有多个亮/暗主题。
- 可以调整界面文字大小、文字字体。
- 切换OCR插件。
- 多国语言界面：软件界面支持多国语言。目前预览阶段为AI翻译生成，可能词义和排版不好，或者有错漏的情况。正式发布时会进行人工校对。
- 渲染器：软件界面默认支持显卡加速渲染。但是如果在你的机器上出现截屏闪烁、UI错位的情况，请调整
全局设置→界面和外观→渲染器。 - 文本块后处理（段落合并） 可以整理OCR结果的排版和顺序，使文本更适合阅读和使用。预设方案如下：
- 单行：合并同一行的文字，适合绝大部分情景。
- 多行-自然段：智能识别、合并属于同一段落的文字，适合绝大部分情景。
- 多行-代码段：尽可能还原原始排版的缩进与空格。适合识别代码片段，或需要保留空格的场景。
- 竖排：适合竖排排版。需要与同样支持竖排识别的模型库配合使用。
Umi-OCR v2 具有一套强大的命令行控制模式，及开发中的HTTP接口 / Web服务器模式。
命令行调用入口就是主程序 Umi-OCR.exe 。
获取说明：Umi-OCR.exe --help
输入任意指令时，若系统中没有Umi-OCR服务进程在运行，则会自动启动Umi-OCR主进程。
弹出主窗口：Umi-OCR.exe --show
隐藏主窗口：Umi-OCR.exe --hide
关闭软件：Umi-OCR.exe --quit
截屏并获取OCR结果：Umi-OCR.exe --screenshot
粘贴图片，并获取OCR结果：Umi-OCR.exe --clipboard
Umi-OCR 允许通过命令行调用每一个标签页（模块）上的任意函数，但是使用门槛较高。
如果有需要使用高级指令，请阅读下列说明，仔细编写指令。
展开
查询当前已打开的页面，及可以创建的页面模板：Umi-OCR.exe --all_pages
根据页面模板序号，创建新标签页：Umi-OCR.exe --add_page [index]
根据标签页序号，删除已有标签页：Umi-OCR.exe --del_page [index]
每个标签页，通常会具有两个模块，一个是py，一个是qml。每个模块上有不同的函数。
查询当前已打开的模块：Umi-OCR.exe --all_modules
查询某个py模块上有什么可调用的函数：Umi-OCR.exe --call_py [name]
查询某个qml模块上有什么可调用的函数：Umi-OCR.exe --call_qml [name]
--call指令允许只写模块名的首字母。假设一个qml模块叫
ScreenshotOCR_1，那么--call_qml Scre也可以正确调用。
调用py模块上的函数：Umi-OCR.exe --call_py [name] --func [function] [..paras]
调用qml模块上的函数：Umi-OCR.exe --call_qml [name] --func [function] [..paras]
允许在指令最后传入任意个参数，但目前只支持识别为字符串类型。
通过上述的指令调用函数，不会得到函数返回值。因为上述会自动跳转到UI线程运行，避免跨线程调用导致程序崩溃的风险。
如果要取得函数返回值，可以加上 --thread 。如：
Umi-OCR.exe --call_qml [name] --func [function] --thread [..paras]
这样会在子线程同步执行函数，并将返回值输出给命令行。但是子线程执行部分函数可能报错或崩溃。
建议阅读本项目源代码（或发行包中的代码文件）来辅助编写指令。
端口号可以在全局设置中查看及修改。请开启全局设置顶部的高级开关。
目前仅开放一个接口，用于传输命令行指令。
POST /argv- 参数：一个列表，元素均为字符串，格式与命令行指令一致。
- 如：命令行
Umi-OCR.exe --call_qml ScreenshotOCR - 等价于：
POST /argv ["--call_qml", "ScreenshotOCR"]
已完成的工作
- 标签页框架。
- OCR API控制器。
- OCR 任务控制器。
- 主题管理器，支持切换浅色/深色主题主题。
- 实现 批量OCR。
- 实现 截图OCR。
- 快捷键机制。
- 系统托盘菜单。
- 文本块后处理（排版优化）。
- 引擎内存清理。
- 软件界面多国语言。
- 命令行模式。
- Win7兼容。
- Excel（csv）输出格式。
Esc中断截图操作- 外置主题文件
- 字体切换
- 加载动画
近期准备进行的工作，将会在 v2 头几个版本内逐步上线。
- 制订软件界面翻译的开源协作机制。
- 快捷键权限优化。
- 允许隐藏托盘图标。
- 截图联动/截图翻译。
- 忽略区域。
- PDF识别。
- 批量识别页面的图片预览窗口。
- 高级截图（仿Snipaste，支持贴图）。
- 完善Web服务器功能。
展开
这些是预想中的功能，在开发初期已预留好接口，将在远期慢慢实现。
但开发途中受限于实际情况，可能更改功能设计、新增及取消功能。
- 基于GPU的离线OCR。
- 离线翻译。
- 插件系统。
- 固定区域识别。
- 识别表格图片，输出为Excel。
- 根据系统的深/浅模式，自动切换主题。
- 历史记录系统。
- 兼容 MacOS / Ubuntu 等平台。
- 兼容32位系统。
** 后缀表示本仓库(主仓库)包含的内容。
Umi-OCR
├─ Umi-OCR.exe
└─ UmiOCR-data
├─ main.py **
├─ version.py **
├─ site-packages
│ └─ python包
├─ runtime
│ └─ python解释器
├─ qt_res **
│ └─ 项目qt资源，包括图标和qml源码
├─ py_src **
│ └─ 项目python源码
├─ plugins
│ └─ 插件
└─ i18n **
└─ 翻译文件
支持的离线OCR引擎：
运行环境框架：
- PyStand 定制版
强烈建议只 clone 主分支，因为某些分支含有体积很大的二进制库，会让你花费很长时间下载。
git clone --branch main --single-branch [email protected]:hiroi-sora/Umi-OCR_v2.git
根据下列文档，完成对应平台的开发/运行环境部署。
- Windows
- 跨平台的支持筹备中
- 新增：截图前自动隐藏窗口。 (#26)
- 新增：更改字体功能。 (#25)
- 新增：可爱的加载动画。
- 新增：截图预览面板 支持显示结果文本、划选文本。
- 新增：截图预览面板 支持将图片复制到剪贴板。
- 新增：结果记录面板 支持跨文本框划选文本。 (#18)
- 新增：结果记录面板 支持删除一条或多条记录。 (#10)
- 新增：支持用Esc或右键中断截图。
- 优化：更改插件目录结构和导入机制。
- 修正：文件重复导致无法添加开机自启。 (#27)
- 新功能：第一次启动软件时，根据系统情况，选择最恰当的渲染器。解决截图闪烁问题。 (#7)
- 新功能：初步实现插件机制，切换引擎等组件更加便捷。
- 新功能：支持调整界面比例（文字大小）。
- 优化：调整截图页UI，提高屏占比。优化标签栏阴影。 (#8)
- 优化：双击通知弹窗可打开主窗口。 (#10)
- 优化：截图完成后，如果主窗口在前台，则不弹出成功提示。 (#10)
- 优化：禁用美化效果时，外部弹窗将不会渲染阴影区域。 (#14)
- 优化：Paddle引擎也支持win7系统了。