图片文字识别（OCR）与准确率评估

📚 课程作业说明

本项目为 人工智能（AI）课程作业的提交作品，选题方向为 图片文字识别（OCR）。

作业要求是搭建一套完整的识别流程，并用可量化的指标评估识别效果——因此本项目除了"能识别出文字"，还实现了字符 / 词 / 行三级准确率、置信度统计与逐行差异定位，并附有调参对照实验数据（见下方「实验」章节）。

项目内容

课程名称 人工智能素养（请自行填写）

作业类型个人作业

原创声明使用dsf4生成

一个基于 Python 的 OCR 小工具：识别图片中的文字，输出每行置信度，并在提供**标注文本（ground truth）**时自动计算识别准确率。

提供命令行与图形界面两种用法，二者共用同一套核心逻辑：

ocr_cli.py — 命令行主程序（核心算法在这里）
ocr_gui.py — Tkinter 图形界面

⚡ 快速开始

本项目不附带编译好的 exe（单个 exe 近 100 MB，且内容随版本变化）。直接跑源码，或按下方方式二自行打包。

方式一：从源码运行（推荐）

pip install -r requirements.txt

python ocr_cli.py --demo          # 先跑个自测，确认环境正常
python ocr_cli.py 图片.png --gt 标注.txt
python ocr_gui.py              # 打开图形界面

--demo 会自己合成一张测试图片并评估准确率，不需要准备任何素材，是验证环境是否装好的最快方式。

方式二：打包成免安装 exe

想发给没装 Python 的电脑用，双击 build.bat 即可（自动检查并安装依赖）。也可以手动执行：

pip install pyinstaller
python -m PyInstaller --clean --noconfirm ocr_tool.spec

产物在 dist/ 目录，单文件免安装、模型已内置、可离线运行。详见打包为 exe。

✨ 功能

功能	说明
文字识别	默认使用 RapidOCR（ONNXRuntime）引擎，纯 Python 依赖，无需安装 Tesseract 等外部程序
逐行输出	打印每一行的识别文本与置信度，并给出平均置信度
准确率评估	与标注文本对比，输出字符准确率、词准确率、行级准确率、完全匹配等指标
差异定位	自动列出「标注」与「识别」不一致的行，便于定位错误
自测演示	`--demo` 自动合成一张测试图片并即时评估，无需准备任何素材
结构化输出	`--json` 输出机器可读的完整结果，便于接入流水线
图形界面	`ocr_gui.py` 提供 Tkinter 界面：预览图片并叠加识别框、低置信度行高亮、框与结果行双向联动、一键导出

📦 安装

# 推荐引擎（必需）
pip install rapidocr-onnxruntime

# 仅 --demo 生成测试图片时需要；图形界面也需要它来显示预览
pip install pillow

图形界面使用 Python 自带的 Tkinter，无需额外安装。

💡 不想装 Python？直接用打包好的 exe 即可，见打包为 exe。

可选：若改用 Tesseract 引擎，需要额外安装 Tesseract-OCR 程序，并安装 Python 包：

pip install pytesseract

本项目已在 Python 3.14 + Windows 环境下验证，onnxruntime 会自动匹配对应的 wheel（cp314）。

🚀 用法

1. 仅识别图片

python ocr_cli.py 图片.png

2. 识别并评估准确率

标注可以是文本文件，也可以直接是字符串：

# 标注写在文件里（推荐，可多行）
python ocr_cli.py 图片.png --gt 标注.txt

# 直接给出一行预期文本
python ocr_cli.py 图片.png --gt "预期文本 2026-09-10"

3. 一键自测（推荐先跑这个）

自动生成一张白底黑字的测试图片、识别、并与真实文本对比：

python ocr_cli.py --demo

同时保存合成出来的测试图片：

python ocr_cli.py --demo --save demo.png

4. 放大低分辨率图片后识别

python ocr_cli.py 小图.png --scale 2

效果完全取决于原图分辨率，实测两个方向的例子：

图片	尺寸	scale	字符准确率	说明
demo.png	897×312	1.0	98.97%	第 4 行被错切成两段，`5` 认成 `古`
demo.png	897×312	1.5 / 2.0	100.00%	正确合并为一行
demo.png	897×312	3.0	97.94%	又拆错，`金额：` 与 `: ￥1234.56` 分离
海报图	4096×3072	1.0	—	基准：160 行
海报图	4096×3072	2.0 / 3.0	—	无效，3.0 时行数崩到 63

✅ 低分辨率小图（如 900×300 的截图）：放大到 1.5~2 倍能明显提升准确率，上面的例子里直接从 98.97% 到了 100%。

⚠️ 已经是高分辨率的图（如 4000×3000 的照片）：放大无益甚至有害。过大时程序会给出警告。

无论哪种情况，放大倍数都不是越大越好（3 倍时两种图都开始变差）。

5. 调整检测框扩张系数

python ocr_cli.py 图片.png --unclip 3.0    # 行首/行尾字符被裁掉时调大
python ocr_cli.py 图片.png --unclip 1.6    # 恢复引擎原行为

6. JSON 输出

python ocr_cli.py 图片.png --gt 标注.txt --json

🖥️ 图形界面

除命令行外，ocr_gui.py 提供同功能的可视化界面（基于 Tkinter，Python 自带，无需额外依赖）：

python ocr_gui.py

界面分为三个标签页：

标签页	内容
识别结果	每行文本与置信度，按置信度着色：绿 ≥90% / 黄 ≥70% / 红 <70%
准确率评估	顶部三张大字卡片（字符/词/行级准确率）+ 8 项指标明细
差异对照	「标注 vs 识别」逐行对照，列出所有不一致的行

操作流程：

点「浏览…」选择图片，左侧即时预览
可选：在「标注文本」区粘贴或载入标注文件
按需调整识别选项（引擎 / 检测框扩张 / 放大倍数 / 是否忽略标点）
点「开始识别」——识别在后台线程执行，界面不会卡死，可随时取消
「导出结果…」可保存为 .txt 或 .json

识别框叠加

识别完成后，左侧预览图上会画出每一行文字的检测框，按置信度着色（绿 ≥90% / 黄 ≥70% / 红 <70%）：

点击图上的框 → 右侧自动选中对应行
点选右侧的行 → 图上对应框加粗高亮
可取消勾选「显示识别框」关闭叠加

这是排查识别问题最直接的方式：一眼就能看出是把字认错了、还是检测框本身就框歪或框小了。

引擎模型只需加载一次，之后重复识别会复用缓存，无需等待。

⚙️ 命令行参数

参数	默认值	说明
`image`	—	待识别的图片路径（`--demo` 时无需提供）
`--gt`	无	标注文本：字符串，或文本文件路径。不提供则只识别、不评估
`--demo`	关	生成合成测试图片并评估准确率
`--save`	临时目录	`--demo` 模式下测试图片的保存路径
`--engine`	`auto`	引擎选择：`auto` / `rapidocr` / `pytesseract`
`--ignore-punct`	关	计算准确率时忽略标点与符号
`--keep-case`	关	计算准确率时区分大小写（默认不区分）
`--json`	关	以 JSON 格式输出结果
`--font-size`	`38`	`--demo` 生成图片时的字号
`--scale`	`1.0`	识别前把图片放大指定倍数（如 `2`），仅对低分辨率图有效，见「用法 4」
`--unclip`	`2.5`	检测框扩张系数。越大越不容易裁掉行首/行尾字符；设为 `1.6` 恢复引擎原行为

退出码：0 成功 · 1 引擎初始化/识别失败 · 2 参数错误或图片不存在。

📊 准确率指标说明

评估前会先做文本归一化：全角转半角（NFKC）、去除所有空白（空格/换行/制表符），默认忽略大小写；可选 --ignore-punct 去除标点。因此换行与空格差异不会被算作错误。

设归一化后的标注为 $R$、识别结果为 $H$：

字符准确率（1 − CER）

$$ \text{CER} = \frac{d(R, H)}{|R|}, \qquad \text{字符准确率} = \max\left(0,\ 1-\text{CER}\right) $$

其中 $d(\cdot,\cdot)$ 为 Levenshtein 编辑距离（插入、删除、替换的代价均为 1），$|R|$ 为标注字符数。

词准确率（1 − WER）

先把文本切词：CJK 字符逐字成词，连续的字母/数字合并为一个词，其余字符视为分隔符。

$$ \text{WER} = \frac{d(R_{\text{tokens}}, H_{\text{tokens}})}{\left|R_{\text{tokens}}\right|}, \qquad \text{词准确率} = \max\left(0,\ 1-\text{WER}\right) $$

其他指标

指标	含义
序列相似度	`difflib.SequenceMatcher` 的相似度，辅助参考
行级准确率	逐行按行号顺序比对，完全一致的行数 ÷ 行数总数（含多出/缺失的行）；对 OCR 的换行切分方式敏感
完全匹配	归一化后整段文本是否完全一致（是 / 否）
平均置信度	OCR 引擎自身输出的每行置信度均值，不是准确率，仅供交叉参考

⚠️ 注意：平均置信度是模型自评分，与真实准确率并不等价。判断识别质量请以「字符准确率 / 词准确率」为准。

🖨️ 输出示例

[demo] 已生成测试图片: C:\Users\…\AppData\Local\Temp\ocr_demo.png
============================================================
图片      : C:\Users\…\AppData\Local\Temp\ocr_demo.png
OCR 引擎  : RapidOCR (ONNXRuntime)
============================================================
识别结果
------------------------------------------------------------
    1. 图片文字识别测试2026-09-10   [置信度  90.12%]
    2. The quick brown fox jumps over the lazy dog   [置信度  91.10%]
    3. 订单编号：A1B2C3D4   [置信度  88.96%]
    4. 金额：￥1234.56   [置信度  79.61%]
    5. 准确率评估   [置信度  82.62%]
    6. 古 Accuracy = 98.75%   [置信度  91.57%]
------------------------------------------------------------
  平均置信度: 87.33%
识别文本:
图片文字识别测试2026-09-10
The quick brown fox jumps over the lazy dog
订单编号：A1B2C3D4
金额：￥1234.56
准确率评估
古 Accuracy = 98.75%
============================================================
准确率评估
------------------------------------------------------------
  标注字符数          : 97
  识别字符数          : 98
  字符编辑距离        : 1
  字符准确率 (1-CER)  : 98.97%   (CER = 1.03%)
  词数 (标注/识别)    : 28 / 29
  词准确率   (1-WER)  : 96.43%   (WER = 3.57%)
  序列相似度          : 99.49%
  行级准确率          : 33.33%   (2/6 行完全一致)
  完全匹配            : 否
  (行级准确率对换行切分方式敏感；字符/词准确率不受换行影响)
============================================================
存在差异的行 (共 5 行):
  [第 1 行]
    标注: 图片文字识别测试 2026-09-10
    识别: 图片文字识别测试2026-09-10
  [第 3 行]
    标注: 订单编号：A1B2C3D4  金额：￥1234.56
    识别: 订单编号：A1B2C3D4
  [第 4 行]
    标注: 准确率评估 Accuracy = 98.75%
    识别: 金额：￥1234.56
  [第 5 行]
    标注: (无此行)
    识别: 准确率评估
  [第 6 行]
    标注: (无此行)
    识别: 古 Accuracy = 98.75%
============================================================

这段输出恰好展示了两个值得注意的地方：

换行切分造成的行级错位：OCR 把原本的两行拆成了两行，导致按行比对整体错位、行级准确率只有 33.33%，但字符准确率仍有 98.97%。评估识别质量应优先看字符/词准确率，行级准确率仅用于检查版面切分是否稳定。
单个字符认错不影响大局：第 6 行的 5 被认成了 古（占 98 个字符中的 1 个）。这类错误只需对那一行局部重跑即可，比如加 --scale 1.5 重识别（见「用法 4」）。

flowchart LR
    A["输入图片"] --> S["可选放大<br/>--scale"]
    S --> B{"选择引擎"}
    B -->|rapidocr / auto| C["RapidOCR<br/>文本检测 + 识别<br/>unclip=2.5"]
    B -->|pytesseract| D["Tesseract<br/>文本检测 + 识别"]
    C --> E["文本行 + 置信度 + 检测框"]
    D --> E
    E --> V["图形界面<br/>预览图叠加检测框"]
    E --> N["文本归一化<br/>NFKC / 去空白 / 可选去标点"]
    G["标注文本<br/>--gt"] --> N
    N --> H["编辑距离 CER / WER"]
    N --> I["行级比对 / 完全匹配"]
    H --> J["准确率报告"]
    I --> J

📁 项目结构

ocr_cli.py       # 命令行主程序（核心算法都在这里）
ocr_gui.py       # Tkinter 图形界面，复用 ocr_cli.py 的核心逻辑
ocr_tool.spec    # PyInstaller 打包配置（一次生成 CLI + GUI 两个 exe）
build.bat        # 一键打包入口（双击即可，仅含 ASCII 启动逻辑）
build.py         # 打包逻辑：依赖检查 + 调用 PyInstaller
requirements.txt # 依赖清单
.gitignore       # 排除 dist/ build/ 等编译产物
README.md        # 本文档
demo.png         # --demo --save 生成的合成测试图片（示例素材）
gt.txt           # 与 demo.png 对应的标注文本（示例素材）

dist/            # 【生成】打包产物：OCR-CLI.exe / OCR-GUI.exe
build/           # 【生成】打包中间文件，可安全删除

为什么打包逻辑放在 build.py 而不是 build.bat？ cmd.exe 按系统 OEM 代码页（中文 Windows 是 GBK）读取 .bat 文件，而本项目源码是 UTF-8。把中文提示写进 .bat 会被错解成乱码，严重时错解的字节还会破坏行结构、把普通文本当命令执行（实测出现过把 dist\OCR-CLI.exe 误执行的情况）。因此 .bat 只保留纯 ASCII 的最小启动逻辑，其余交给 build.py。

dist/ 与 build/ 是编译产物，已在 .gitignore 中排除，不会随源码一起分发（两者合计约 400 MB），需要时用 build.bat 重新生成。

代码分层：

文件	职责
`ocr_cli.py`	全部核心逻辑：文本归一化、CER/WER 评估、OCR 引擎封装、CLI
`ocr_gui.py`	仅界面层，通过 `importlib` 按路径复用 `ocr_cli.py`，不含任何算法实现
`ocr_tool.spec`	打包配置

这样设计的好处：命令行与界面永远共用同一套算法，不会出现两边行为不一致的问题。

ocr_gui.py 通过 importlib 按路径加载 ocr_cli.py（而不是 import test，避免与标准库同名模块冲突），直接复用其中的 build_engine / prepare_image / evaluate / split_lines。

ocr_cli.py 内部代码分为五个部分：

通用文本工具 — 编辑距离、CJK 判断、归一化、切词、分行
准确率评估 — evaluate() 计算全部指标
OCR 引擎封装 — OcrEngine 抽象基类，RapidOcrEngine / TesseractEngine 两个实现
演示图片生成 — make_demo_image() 用 PIL 合成白底黑字测试图
主流程 — 参数解析、识别、评估、报告渲染

✅ 已验证结果

在 Windows + Python 3.14.6 + rapidocr-onnxruntime 1.2.3 环境下实测：

场景	命令	结果
一键自测	`python ocr_cli.py --demo`	正常，字符准确率 98.97%
图片 + 标注文件	`python ocr_cli.py demo.png --gt gt.txt`	正常，退出码 0
忽略标点	加 `--ignore-punct`	标注字符数 97 → 88，准确率升至 98.86%
检测框扩张	`--unclip 2.5`（默认）vs `1.6`	海报图整行精确 44 → 50/116，置信度 69.57% → 70.68%
放大倍数	小图 `--scale 1.5` vs `1.0`	字符准确率 98.97% → 100.00%，置信度 87.33% → 89.64%
识别框叠加	界面预览图	6/6 行均画出检测框，点击框与选中行双向联动，缩放场景坐标换算正确
打包 exe	`OCR-CLI.exe` / `OCR-GUI.exe`	功能与源码一致，GUI 冷启动 1.8 秒（用 `build.bat` 可重现）
JSON 输出	加 `--json`	输出合法 JSON，含 `metrics` 全字段
图片不存在	`python ocr_cli.py notexist.png`	报错并返回退出码 2
引擎不可用	`--engine pytesseract`（未安装）	报错并返回退出码 1
图形界面端到端	自动化冒烟测试	图片加载 / 异步识别 / 按钮状态机 / 导出 TXT+JSON / 无标注场景 / 取消 / 清空，共 9 组断言全部通过

实测经验：字号为 38 时 OCR 会把「测试 2026」的空格吞掉；调到 --font-size 48 后该行识别正确。因此适当放大字号能明显提升识别质量。

真实图片实测（`微信图片_20260910120211_11_285.jpg`）

一张 4096×3072 的海报实拍图（含透视畸变与反光），密集小字：

缩放	识别行数	平均置信度	高置信行（≥90%）
1x	160	69.57%	1
1.5x	147	69.75%	4
2x	147	69.76%	1
3x	63	68.66%	1

结论：

大字号、版面规整的文字识别准确（如 低空飞行器整机制造 84%、空中交通管制设施 87%、数据来源：赛迪顾问，2024年3月 89%）
密集小字大量出错：股票代码: HK02176 → 图国代马：HFO2176，低空数据设施 → 低空收据设施
放大图片无改善甚至变差（3x 时行数崩到 63），且会触发 Pillow 的 DecompressionBombWarning
这类图的真正瓶颈是透视畸变 + 分辨率分配，不是整体尺寸。有效手段应是先做透视校正、再切分区域（ROI）逐块识别，均超出本工具范围
平均置信度 69.57% 与肉眼可见的识别质量基本对应，可作为无标注时的粗略参考

预处理与调参实验

为找出真正的改进点，做了两轮可量化实验。评估用 116 个从图中确认存在的词做基准，同时统计子串召回（宽容）与整行精确命中（严格），后者用于防止靠降低阈值刷分。

第一轮：预处理与分块 —— 全军覆没

策略	子串召回	平均置信度
原图（基线）	48/116	69.57%
灰度 + CLAHE	44/116	70.37%
Otsu 二值化	29/116	68.30%
自适应二值化	30/116	67.10%
透视校正	检测不到海报四角（失败）	—
2×2 / 3×3 / 4×4 分块	45 / 48 / 45	≈ 69%

二值化反而大幅劣化（48 → 29），推测是丢失了抗锯齿的灰度边缘信息。

第二轮：引擎参数 —— 找到真正的改进点

参数	整行精确	子串召回	平均置信度	行数
基线（1.6 / 0.5 / 0.5）	44/116	48/116	69.57%	160
unclip = 2.5	50/116	54/116	70.68%	160
unclip = 2.0	46/116	50/116	70.55%	159
unclip = 5.0	39/116	44/116	71.76%	130
box_thresh = 0.2	43/116	47/116	69.21%	160
text_score = 0.1	44/116	48/116	59.11%	222

两个关键发现：

unclip_ratio = 2.5 是有效改进：整行精确 +13.6%，且行数不变（160）——说明它不是多检测了框，而是扩大了已有框，让紧贴边缘的字符不被裁掉。置信度同时上升，三个指标一致变好。
降低 text_score 完全无效：0.5 → 0.1 多出 62 行识别结果，却一个词都没多认出来，平均置信度从 69.57% 跌到 59.11%。纯噪声。这正是只看召回率会被误导的地方。

unclip 扫描呈平滑单峰曲线（1.6→2.5 上升，3.0 回落，5.0 崩掉），符合真实效应而非随机波动。

泛化验证：独立合成验证集

为避免单张图过拟合，用三组合成图片（含特意构造的边缘符号用例）独立验证：

用例	unclip=1.6	unclip=2.5
`edge`：`【适航审定】关键零部件`、`(1) 涡轮发动机 - 涡桨发动机`	96.20%	100.00%
`plain`：普通标题文字	100.00%	100.00%（无回归）
`mixed`：`低空运营服务（低空物流、低空文旅）`	97.92%	97.92%（无回归）
平均字符准确率	98.39%	99.65%

edge 用例恰好是边缘符号被裁切的场景，准确率 96.20% → 100.00%，直接印证了机制假说；干净图片无回归。因此 --unclip 默认值定为 2.5（引擎原值 1.6 可用 --unclip 1.6 恢复）。

📦 打包为 exe

仓库中不包含编译好的 exe。需要时按本节自行编译（约 1 分钟）。

用 PyInstaller 把程序打包成免安装、无需 Python 环境的独立可执行文件：

pip install pyinstaller
python -m PyInstaller --clean --noconfirm ocr_tool.spec

Windows 下也可以直接双击项目自带的 build.bat，它会自动完成依赖检查与打包。

产物在 dist/ 目录：

文件	大小	说明
`OCR-CLI.exe`	96 MB	命令行版，自带控制台窗口
`OCR-GUI.exe`	98 MB	图形界面版，无控制台窗口

两个 exe 都是单文件，可直接拷贝到其他 Windows 机器运行，模型已内置，无需联网。

打包实测

项目	结果
CLI 首次运行	4.2 秒（含单文件解压），`--demo` 字符准确率 98.97%，与源码一致
CLI 热启动	4.3 秒
CLI JSON 输出	6 行 / 6 个检测框 / 准确率正常
CLI 错误处理	图片不存在 → 退出码 2
GUI 冷启动到窗口出现	1.8 秒
跨目录运行	从 `C:\Users\...` 调用 `D:\OCR\dist\OCR-CLI.exe`，资源定位正常

打包要点

ocr_tool.spec 里有三处关键配置，缺一不可：

必须打包模型数据：collect_data_files("rapidocr_onnxruntime") —— 否则运行时找不到 config.yaml 与 models/*.onnx
必须声明动态导入的子模块：collect_submodules("rapidocr_onnxruntime") —— 引擎内部用 importlib.import_module('ch_ppocr_v3_det') 这种字符串方式加载，PyInstaller 的静态分析发现不了
GUI 版要把 ocr_cli.py 作为数据文件带上：因为 ocr_gui.py 是按路径加载它的；同时 ocr_gui.py 已适配打包环境，会优先从 sys._MEIPASS 找资源

⚠️ 缩小体积时可以排除 matplotlib / scipy / pandas 等，但千万不要排除 tcl / tk —— tkinter 依赖它们，排除后界面会直接起不来。

💡 单文件模式（onefile）启动时会先解压到临时目录，因此比源码运行慢几秒；启动后 PyInstaller 的引导进程会再启动一个子进程运行真正的程序，用任务管理器结束进程时要注意这一点。

❓ 常见问题

Q：报错「没有可用的 OCR 引擎」怎么办？

安装默认引擎即可：

pip install rapidocr-onnxruntime

Q：pip 安装时报 SSL / 证书错误？

说明 Python 找不到系统根证书。可下载 CA 证书包并设置环境变量 SSL_CERT_FILE，或改用镜像源：

python -m pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple/

Q：中文没有识别出来？

确认图片分辨率足够、文字清晰（建议字高 ≥ 20 像素）；
--demo 已内置中文字体探测（msyh.ttc / simhei.ttf / simsun.ttc 等），若全都不存在会退回默认位图字体，中文字形可能无法渲染；
使用 Tesseract 引擎时需要 chi_sim 语言包。

Q：准确率偏低，但置信度很高？

置信度是模型自评分，与真实准确率不等价。请以字符/词准确率为准，并用输出的「存在差异的行」逐行排查。

Q：识别率不高，放大图片有用吗？

看原图分辨率：

小图（约 1000px 以下）有用：实测 897×312 的图放大 1.5~2 倍后，字符准确率从 98.97% 提升到 100.00%
大图（4000px 以上）无用甚至更差：实测 4096×3072 的海报图放大到 3x 后识别行数从 160 降到 63

放大倍数不是越大越好，3 倍时两类图都开始变差。

真正有效的方向通常是：提高原始拍摄/扫描质量、做透视校正、把图切成区域分别识别。

Q：行首/行尾的字符（如【】（）：）经常识别不出来？

这是检测框贴得太紧、把边缘字符裁掉了。调大扩张系数即可，默认值 2.5 已针对该问题调优：

python ocr_cli.py 图片.png --unclip 3.0    # 仍然裁切时继续调大

实测带【】（）的文本行准确率可从 96.20% 提升到 100.00%。

Q：识别结果里有大量低置信度的垃圾行，怎么办？

不要把 text_score 调低——实测从 0.5 降到 0.1 会多出 62 行结果却一个词都没多认出来，平均置信度从 69.57% 跌到 59.11%。用 --json 输出后按 confidence 字段自行过滤更可靠。

Q：如何只比较文字、忽略标点差异？

python ocr_cli.py 图片.png --gt 标注.txt --ignore-punct

Q：如何区分大小写？

python ocr_cli.py 图片.png --gt 标注.txt --keep-case

Q：双击 OCR-GUI.exe 好像没反应？

三点排查：

首次启动需要等几秒：单文件模式要先把约 100 MB 内容解压到临时目录，实测约 1.8 秒才出现窗口；
它没有控制台窗口，所以不会打印任何信息，只能靠界面本身判断；
用任务管理器结束进程时要注意：单文件模式下引导进程会再启动一个子进程运行真正的程序，只结束父进程可能留下残留进程。

Q：exe 为什么这么大？

体积主要来自 onnxruntime 与 opencv-python 的原生库。OCR 模型本身只有约 13 MB。可以排除 matplotlib / scipy / pandas 等减小体积，但不能排除 tcl / tk，否则界面起不来。

Q：exe 能不能不联网运行？

可以。三个 OCR 模型（检测 / 识别 / 方向分类）都已打包进 exe，完全离线可用。

📄 许可

仅供学习与内部评估使用。

Navigation Menu

Repository files navigation

图片文字识别（OCR）与准确率评估

📚 课程作业说明

⚡ 快速开始

方式一：从源码运行（推荐）

方式二：打包成免安装 exe

✨ 功能

📦 安装

🚀 用法

1. 仅识别图片

2. 识别并评估准确率

3. 一键自测（推荐先跑这个）

4. 放大低分辨率图片后识别

5. 调整检测框扩张系数

6. JSON 输出

🖥️ 图形界面

识别框叠加

⚙️ 命令行参数

📊 准确率指标说明

字符准确率（1 − CER）

词准确率（1 − WER）

其他指标

🖨️ 输出示例

📁 项目结构

✅ 已验证结果

真实图片实测（`微信图片_20260910120211_11_285.jpg`）

预处理与调参实验

📦 打包为 exe

打包实测

打包要点

❓ 常见问题

📄 许可

About

Releases

Packages

Contributors

Languages

Name		Name	Last commit message	Last commit date
.gitignore		.gitignore
README.md		README.md
build.bat		build.bat
build.py		build.py
demo.png		demo.png
gt.txt		gt.txt
ocr_cli.py		ocr_cli.py
ocr_gui.py		ocr_gui.py
ocr_tool.spec		ocr_tool.spec
requirements.txt		requirements.txt

项目	内容
课程名称	`人工智能素养`（请自行填写）
作业类型	个人作业
原创声明	使用dsf4生成

Latest commit

History

Folders and files

Repository files navigation

图片文字识别（OCR）与准确率评估

📚 课程作业说明

⚡ 快速开始

方式一：从源码运行（推荐）

方式二：打包成免安装 exe

✨ 功能

📦 安装

🚀 用法

1. 仅识别图片

2. 识别并评估准确率

3. 一键自测（推荐先跑这个）

4. 放大低分辨率图片后识别

5. 调整检测框扩张系数

6. JSON 输出

🖥️ 图形界面

识别框叠加

⚙️ 命令行参数

📊 准确率指标说明

字符准确率（1 − CER）

词准确率（1 − WER）

其他指标

🖨️ 输出示例

📁 项目结构

✅ 已验证结果

真实图片实测（微信图片_20260910120211_11_285.jpg）

预处理与调参实验

📦 打包为 exe

打包实测

打包要点

❓ 常见问题

📄 许可

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

真实图片实测（`微信图片_20260910120211_11_285.jpg`）