ឯកសារណែនាំ

ការដំឡើង

# រូបភាព នៅលើ ONNX Runtime (មិនត្រូវការ PyTorch)
$ pip install anaksor-ocr
# បន្ថែម PyTorch៖ CUDA, Apple MPS និងក្បាលអាន SMTR
$ pip install "anaksor-ocr[torch]"
# PyTorch, ការអាន PDF និង export ជា Word
$ pip install "anaksor-ocr[all]"

ត្រូវការ Python 3.11 ឬថ្មីជាងនេះ។ Weights របស់ម៉ូដែល (ប្រហែល 95 MB) download ទៅ ~/.cache/anaksor នៅពេលអ្នកអានទំព័រដំបូង។

backend ទាំងពីរផ្តល់ boxes និងអត្ថបទដូចគ្នាបេះបិទ។ anaksor ប្រើ PyTorch បើវាត្រូវបាន install រួច បើមិនដូច្នោះទេ វាប្រើ ONNX Runtime។ អ្នកអាចជ្រើសរើសដោយ backend="torch" ឬ "onnx" (ឬ --backend នៅលើ command line)។ លើ CPU, PyTorch ធ្វើ inference លឿនជាងបន្តិច។

អានទំព័រមួយ

import anaksor

# ប្រើ GPU ប្រសិនបើម៉ាសុីនរបស់អ្នកមាន ឬ យើងអាចប្រើ CPU បាន
ocr = anaksor.OCR()
result = ocr("letter.jpg")

print(result["text"])
for line in result["lines"]:
    print(round(line["rec_score"], 2), line["text"])

# ជាមួយរូបភាព
$ anaksor letter.jpg
# ជាមួយឯកសារ Word
$ anaksor letter.jpg -o letter.docx
# ឬ PDF
$ anaksor contract.pdf -o contract-searchable.pdf

ocr(...) ទទួលជាbytes រូបភាព PIL ឬអារេ NumPy ជា RGB។ រូបភាពត្រូវបានអានជា JPEG, PNG, WEBP, BMP ឬ TIFF។

លទ្ធផលដែលទទួលបាន

អាច បម្លែងលទ្ធផលជាទិន្នន័យសាមញ្ញ JSON ៖ ចង្កោម កថាខណ្ឌ (blocks) ឬ បន្ទាត់នីមួយៗជាមួយទីតាំង និងភាពជឿជាក់។ ឧទាហរណ៍នេះត្រូវបានកាត់ឱ្យខ្លី។

{
  "text": "ព្រះរាជាណាចក្រកម្ពុជា\nជាតិ សាសនា ព្រះមហាក្សត្រ\n\n...",
  "blocks": [{"text": ..., "lines": [0, 1], "box": [[412, 96], ...], "rec_score": 0.981}],
  "lines": [
    {"text": "ជាតិ សាសនា ព្រះមហាក្សត្រ",
     "parts": [...], "box": [...], "quads": [...],
     "rec_score": 0.987, "det_score": 0.93, "block": 0}
  ],
  "width": 1654, "height": 2339
}

PDF និង Export

# លទ្ធផលមួយក្នុងមួយទំព័រ ហើយ export ជា PDF
pages = ocr.read("report.pdf", pages=[1, 2, 3], keep_images=True)

from anaksor import export
open("report-searchable.pdf", "wb").write(export.to_pdf(pages))
open("report.docx", "wb").write(export.to_docx(pages, highlight_low=True))

ជម្រើស

ពេលបង្កើត anaksor.OCR(...)

សម្រាប់ទំព័រមួយ៖ ocr(image, ...)

ម៉ូដែលទាំងពីរក៏អាចប្រើដាច់ដោយឡែកបានដែរ៖ anaksor.Detector().detect(image) ផ្តល់ប្រអប់ពាក្យជាបន្ទាត់ ហើយ anaksor.Recognizer().recognize([crop, ...]) អានប្រអប់ពាក្យដែលបានកាត់រួច។

CLI

$ anaksor scan.pdf --pages 1-3,7 -o scan.docx
# ឯកសារ JSON មួយក្នុងមួយរូបភាព
$ anaksor photos/*.jpg -o out/ -f json
# download weights ទុកជាមុន
$ anaksor --fetch-models

ភាពត្រឹមត្រូវ និងដែនកំណត់

KhmerST ដាក់ label តែលើអត្ថបទមួយចំនួនក្នុងរូបថតនីមួយៗ។ ដូច្នេះ សម្រាប់ detection អត្ថបទដែលគ្មាន label ប៉ុន្តែ detector ផ្សេងរកឃើញ ត្រូវបានរាប់ជា "don't care" ដែលធ្វើឱ្យ precision មើលទៅខ្ពស់ជាងការពិតបន្តិច។

• អក្សរខ្មែរបោះពុម្ព (printed) ឯកសារ វិក្កយបត្រ និងផ្លាកសញ្ញា អានបានល្អបំផុត។
• អក្សរអង់គ្លេស និងអក្សរ Latin ផ្សេងទៀតលើរូបថតនៅខ្សោយ៖ detector អាចរំលងវានៅលើផ្លាកសញ្ញា ហើយ recognizer បានឃើញអក្សរអង់គ្លេសពិតៗតិចតួចពេល train។
• អក្សរសរសេរដៃ (handwriting) និងអក្សរតុបតែង (decorative) នៅខ្សោយ។ សូមពិនិត្យ rec_score នៃបន្ទាត់នីមួយៗ ឬប្រើ --highlight-low សម្រាប់ output Word។

Weights របស់ម៉ូដែល

ម៉ូដែលនីមួយៗមានឯកសារពីរ៖ ONNX graph (.onnx សម្រាប់ ONNX Runtime) និង PyTorch weights (.safetensors)។ anaksor download តែឯកសារដែល backend របស់អ្នកត្រូវការប៉ុណ្ណោះ ហើយរកវាតាមលំដាប់នេះ៖

1. path ដែលអ្នកផ្តល់ឱ្យ (det_weights=, rec_weights= ឬ --det-weights);
2. folder ដែលកំណត់ដោយ ANAKSOR_WEIGHTS_DIR;
3. cache ក្នុង ~/.cache/anaksor (ឬ ANAKSOR_HOME) ដែល download ម្តងពី Hugging Face ហើយ verify ជាមួយ SHA-256 របស់វា។

Weights ទាំងពីរ format មិនអាច run កូដនៅពេល load បានទេ។ សម្រាប់ម៉ាស៊ីនដែលគ្មានអ៊ីនធឺណិត (offline) សូម run anaksor --fetch-models លើម៉ាស៊ីនផ្សេង ហើយ copy ឯកសារពីរសម្រាប់ backend របស់អ្នកទៅក្នុង folder ANAKSOR_WEIGHTS_DIR។

ម៉ូដែលផ្ទាល់ខ្លួន

អ្នកអាច Train ម៉ូដែលដោយខ្លួនឯងបានតាមរយះ config តាមទម្រង់ OpenOCR (ទម្រង់ដែលម៉ូដែលទាំងនេះត្រូវបានបង្ហាត់)។

$ git clone https://github.com/SokhengDin/anaksor-ocr && cd anaksor-ocr
$ python tools/spec_from_config.py path/to/svtrv2_cppd_khmer.yml --out specs/
# សម្រាប់ backend engine onnx (ត្រូវការ [export])
$ python tools/export_onnx.py --rec best.pth --rec-spec specs/rec-svtrv2-cppd-khmer.yml --out onnx/

rec = anaksor.Recognizer("specs/rec-svtrv2-cppd-khmer.yml", weights="best.pth")
ocr = anaksor.OCR(recognizer=rec)

ការអភិវឌ្ឍ anaksor

$ git clone https://github.com/SokhengDin/anaksor-ocr && cd anaksor-ocr
$ uv venv && uv pip install torch --index-url https://download.pytorch.org/whl/cpu
$ uv pip install -e ".[all]" pytest ruff pip-audit onnx onnxscript
# មិនត្រូវការ weights ឬអ៊ីនធឺណិតទេ
$ pytest

សូមមើល កំណត់ត្រាការផ្លាស់ប្តូរ និង កូដប្រភពរបស់គេហទំព័រ។