Skip to content

Release Notes

Update 2023.10.09：发布 V2.2.4.2

主要变更：

  • 支持基于环境变量 CNOCR_DOWNLOAD_SOURCE 的取值，来决定不同的模型下载路径。

Update 2023.10.01：发布 V2.2.4.1

主要变更：

Update 2023.09.27：发布 V2.2.4

主要变更：

  • 加入了纯数字识别系列模型 number-*，可用于纯数字识别场景，如银行卡识别、身份证识别、硬币年份识别等；
  • 对各个包的新版做了接口适配，如 pytorch_lightning、onnxruntime、pillow等；
  • 优化了训练过程使用的数据增强方式，并借鉴了Nougat 中的数据增强方法；
  • 增加了对更大模型的支持，如 densenet-lite-666、gru_large 等；
  • 以前的 *-gru 系列模型，现在也有 ONNX 版了；
  • 修复了一堆的bugs，如 val-complete_match-epoch 训练过程一直为 0 等。

Update 2023.06.30：发布 V2.2.3

主要变更：

  • 修复了模型文件自动下载的功能。HuggingFace似乎对下载文件的逻辑做了调整，导致之前版本的自动下载失败，当前版本已修复。但由于HuggingFace国内被墙，国内下载仍需 梯子（VPN）。
  • 更新了各个依赖包的版本号。

Update 2023.02.11: 发布 cnocr V2.2.2.2

主要变更：

  • 修复了识别很窄图片时异常的问题。
  • 修复了对 torchvision 0.14 的兼容问题。

Update 2022.10.30: 发布 cnocr V2.2.2.1

主要变更：

  • 修复了与新版 torch 和 torchvision 不兼容的问题。

Update 2022.09.09: 发布 cnocr V2.2.2

主要变更：

  • 修复HTTP服务存在的问题，感谢 @Sugobet 。

  • 增加图片分类模型，以及配套的训练和预测脚本，具体见 图片分类工具。

  • 适配了新版的pytorch_lightning接口，训练中引入torchmetrics计算各种指标。

Update 2022.08.21: 发布 cnocr V2.2.1

主要变更：

  • 修复了一些bug。
  • 加入了基于 FastAPI 的HTTP服务，使用命令 cnocr serve 启动HTTP服务，具体见 安装说明。
  • 加入了一些工具脚本，如对截屏图片进行OCR，具体见cnocr/scripts。

Update 2022.07.25: 发布 cnocr V2.2

主要变更：

  • CnOCR 内部集成 CnSTD 进行文本检测，降低使用门槛，提升适用场景的范围。
  • 对诸多代码做了重构，同时也对文档进行了大幅度的优化。
  • 更新了测试用例，清理了过期的用例。

Update 2022.05.27: 发布 cnocr V2.1.2.1

主要变更：

  • 修复 V2.1.2 bug：打包时忘记把 ppocr 模型相关的字符集文件打包进来了 😭。

Update 2022.05.25: 发布 cnocr V2.1.2

主要变更：

  • 引入了对外部模型的支持，此版加入了对 PaddleOCR 模型的 ONNX 版本的支持，具体参见 可用模型；
  • 新引入的模型支持识别竖排文字、繁体中文（部分模型），具体参见 可用模型。
  • 模型输出结果的格式略有调整，具体参见 使用方法。

Update 2022.05.15: 发布 cnocr V2.1.1.1

主要变更：

  • 增加了对 ONNX 模型的支持，支持 *-fc 模型，提升预测速度；
  • 类 CnOcr 的初始化中增加了参数 model_backend 和 vocab_fp，具体参见 使用方法 ；
  • 增加了 cnocr export-onnx 命令，把训练好的PyTorch模型导出为ONNX模型；
  • 去掉了对包 python-Levenshtein 的依赖。

Update 2021.11.06: 发布 cnocr V2.1.0

主要变更：

  • 使用了更精简的模型架构：densenet_lite_*；
  • 使用了更丰富的数据重新训练了所有模型，精度相较于之前版本更高；
  • 提供了更多预训练好的模型；
  • 加入了 cnocr evaluate 命令以评估效果。

Update 2021.09.21: 发布 cnocr V2.0.1

主要变更：

  • 重新训练了模型，模型识别精度略有提升；
  • 函数 CnOcr.ocr_for_single_lines(img_list, batch_size=1) 中加入了 batch_size 参数。

Update 2021.08.26: 发布 cnocr V2.0.0

主要变更：

  • MXNet 越来越小众化，故从基于 MXNet 的实现转为基于 PyTorch 的实现；
  • 重新实现了识别模型，优化了训练数据，重新训练模型；
  • 优化了能识别的字符集合；
  • 优化了对英文的识别效果；
  • 优化了对场景文字的识别效果；
  • 使用接口略有调整，请谨慎更新。

Update 2021.08.24: 发布 cnocr V1.2.3

主要变更：

  • 更改了模型的默认下载urls；
  • 依赖中去掉了对numpy的约束。

Update 2020.05.29: 发布 cnocr V1.2.2

主要变更：

  • CnOcr加入类函数 CnOcr.set_cand_alphabet(cand_alphabet)。可通过此类函数设置cand_alphabet。这样同一个实例也可以指定不同的cand_alphabet进行识别。
  • bugfix:
  • 修复同时初始化多个实例时会报错的问题。

Update 2020.05.25: 发布 cnocr V1.2.1

主要变更：

  • bugfix:
  • 修复了zip文件名的typo。

Update 2020.05.25: 发布 cnocr V1.2.0

主要变更：

  • 优化了对数字识别的准确度。
  • 优化了模型结构，进一步降低了模型的大小，提升了预测速度；最小模型从原来的6.8M降为4.7M。
  • 使用了爱因互动 Ein+自己的CDN存储模型文件，下载速度超快。
  • 提供了预测速度更快的 shorter (-s)版预训练模型：densenet-lite-s-gru和densenet-lite-s-fc。
  • 默认模型由之前的conv-lite-fc改为densenet-lite-fc。
  • 预测支持使用GPU。
  • bugfixs:
  • Web 调用时的内存泄露。感谢 @myuanz；
  • 输入图片宽度很小时导致异常；
  • 去掉 f-print。

Update 2020.04.21: 发布 cnocr V1.1.0

V1.1.0对代码做了很大改动，重写了大部分训练的代码，也生成了更多更难的训练和测试数据。训练好的模型相较于之前版本的模型精度有显著提升，尤其是针对英文单词的识别。

以下列出了主要的变更：

  • 更新了训练代码，使用mxnet的recordio首先把数据转换成二进制格式，提升后续的训练效率。训练时支持对图片做实时数据增强。也加入了更多可传入的参数。

  • 允许训练集中的文字数量不同，目前是中文10个字，英文20个字母。

  • 提供了更多的模型选择，允许大家按需训练多种不同大小的识别模型。

  • 内置了各种训练好的模型，最小的模型只有之前模型的1/5大小。所有模型都可免费使用。

  • 相较于之前版本的模型，新的模型精度有显著提升，尤其是针对英文单词的识别。新模型已经可以识别英文单词间的空格。

  • 支持文字识别只在给定字符集中进行。 对于一些纯数字或者纯英文字母的应用场景可以带来识别率提升。

  • 优化了对黑底白字多行文字图片的支持。

  • mxnet依赖升级到更新的版本了。很多人反馈mxnet 1.4.1经常找不到没法装，现在升级到>=1.5.0,<1.7.0。

Update 2019.07.25: 发布 cnocr V1.0.0

cnocr发布了预测效率更高的新版本v1.0.0。新版本的模型跟以前版本的模型不兼容。所以如果大家是升级的话，需要重新下载最新的模型文件。具体说明见下面（流程和原来相同）。

主要改动如下：

  • crnn模型支持可变长预测，提升预测效率
  • 支持利用特定数据对现有模型进行精调（继续训练）
  • 修复bugs，如训练时accuracy一直为0
  • 依赖的 mxnet 版本从1.3.1更新至 1.4.1