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。
一个容易使用的通用验证码识别 rust 库
·
报告Bug
·
提出新特性
| 系统 | CPU | GPU | 备注 |
|---|---|---|---|
| Windows 64位 | √ | ? | 部分版本 Windows 需要安装 vc运行库 |
| Windows 32位 | √ | ? | 部分版本 Windows 需要安装 vc运行库 |
| Linux 64 / ARM64 | √ | ? | |
| Linux 32 | × | ? | |
| Macos X64 | √ | ? | M1/M2/M3 ... 芯片参考 #67 |
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)
请确保 onnxruntime 的动态链接库在程序的运行目录里面，否则运行会恐慌！
如果你不想从源代码构建，这里有编译好的二进制版本。
主要用于识别单行文字，即文字部分占据图片的主体部分，例如常见的英数验证码等，本项目可以对中文、英文（随机大小写or通过设置结果范围圈定大小写）、数字以及部分特殊字符。
let image = std::fs::read("target.png").unwrap();
let mut ocr = ddddocr::ddddocr_classification().unwrap();
let res = ocr.classification(image, false).unwrap();
println!("{:?}", res);let image = std::fs::read("target.png").unwrap();
let mut ocr = ddddocr::ddddocr_classification_old().unwrap();
let res = ocr.classification(image, false).unwrap();
println!("{:?}", res);classification(image, true);
let image = std::fs::read("target.png").unwrap();
let mut det = ddddocr::ddddocr_detection().unwrap();
let res = det.detection(image).unwrap();
println!("{:?}", res);
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。
算法非深度神经网络实现。
小滑块为单独的png图片，背景是透明图，如下图：
然后背景为带小滑块坑位的，如下图：
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);如果小图无过多背景部分，则可以使用 simple_slide_match，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);一张图为带坑位的原图，如下图：
一张图为原图，如下图：
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);为了提供更灵活的 ocr 结果控制与范围限定，项目支持对ocr结果进行范围限定。
可以通过在调用 classification_probability 返回全字符表的概率。
当然也可以通过 set_ranges 设置输出字符范围来限定返回的结果。
| 参数值 | 意义 |
|---|---|
| 0 | 纯整数 0-9 |
| 1 | 纯小写字母 a-z |
| 2 | 纯大写字母 A-Z |
| 3 | 小写字母 a-z 大写字母 A-Z |
| 4 | 小写字母 a-z 整数 0-9 |
| 5 | 大写字母 A-Z 整数 0-9 |
| 6 | 小写字母 a-z 大写字母A-Z 整数0-9 |
| 7 | 默认字符库 - 小写字母a-z - 大写字母A-Z - 整数0-9 |
如果值为 string 类型，请传入一段不包含空格的文本，其中的每个字符均为一个待选词，例如："0123456789 -x/="
let image = std::fs::read("image.png").unwrap();
let mut ocr = ddddocr::ddddocr_classification().unwrap();
// 数字 3 对应枚举 CharsetRange::LowercaseUppercase
// ocr.set_ranges(3);
// 自定义字符集
ocr.set_ranges("0123456789 -x/=");
let result = ocr.classification_probability(image, false).unwrap();
// 哦呀，看来数据有点儿太多了，小心卡死哦！
println!("概率: {}", result.json());
println!("识别结果: {}", result.get_text());支持导入 dddd_trainer 训练后的自定义模型。
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);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
--jsonp
开启跨域，需要一个 query 指定回调函数的名字，不能使用 file (multipart) 传递参数， 例如 http://127.0.0.1:9898/ocr/b64/text?callback=handle&image=xxx
--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-probability <OCR_PROBABILITY>
开启内容概率识别，支持新旧模型共存，只能使用官方模型， 如果参数是 0 到 7，对应内置的字符集， 如果参数空字符串，表示默认字符集， 除此之外的参数，表示自定义字符集，例如 "0123456789 -x/="
--old-probability <OLD_PROBABILITY>
开启旧版模型内容概率识别，支持新旧模型共存，只能使用官方模型， 如果参数是 0 到 7，对应内置的字符集， 如果参数空字符串，表示默认字符集， 除此之外的参数，表示自定义字符集，例如 "0123456789 -x/="
--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
ocr_probability 内容概率识别
old_probability 旧版模型内容概率识别
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
import requests
import base64
host = "http://127.0.0.1:9898"
file = open('./image/3.png', 'rb').read()
# 测试 jsonp，只能使用 b64，不能使用 file
api_url = f"{host}/ocr/b64/text"
resp = requests.get(api_url, params = {
"callback": "handle",
"image": base64.b64encode(file).decode(),
})
print(f"jsonp, api_url={api_url}, resp.text={resp.text}")
# 测试 ocr
api_url = f"{host}/ocr/file/text"
resp = requests.post(api_url, files={'image': file})
print(f"api_url={api_url}, resp.text={resp.text}")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：
- (默认)
download自动从网上下载 onnxruntime。 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。