chineseocr_lite 的 onnx 推理, 部署简单

原始项目分支（torch推理，ncnn推理等）：master

环境

• python3.6

• linux/macos/windows

web服务启动

cd chineseocr_lite## 进入chineseocr目录
python backend/main.py 

识别结果展示

参考

1. TrWebOCR https://github.com/alisen39/TrWebOCR

QQ群

820075525

以下范例项目是参考Python代码翻译为各种语言的Demo，仅供参考

** 注意：以下各种demo均相互独立，只是同一个程序的不同版本 **

如果不想自己整合依赖库的话，以下demo的完整源码工程项目，请到Q群共享里自行下载

C++ Demo

• onnxruntime C++ demo，支持Windows、linux、macOS，目前仅支持cpu计算；
• ncnn C++ demo，支持Windows、linux、macOS，分为cpu版与gpu版，gpu版使用ncnn+vulkan来支持gpu加速；
• MNN C++ demo, 支持 windows、linux、macOs，目前仅支持cpu计算；

Jvm Demo

• onnxruntime jvm demo: 以onnxruntime C++为基础，编译成jni供java或kotlin调用；
• ncnn jvm demo: 以ncnn C++为基础，编译成jni供java或kotlin调用，同样分为cpu版与gpu版；

Android Demo

• onnxruntime android demo: 以onnxruntime C++为基础，整合为一个独立的android模块供app调用；
• ncnn jvm android demo: 以ncnn C++为基础，整合为一个独立的android模块供app调用，同样分为cpu版与gpu版；
• MNN android demo: 以MNN C++为基础，整合为一个独立的android模块供app调用，支持cpu版本

.Net Demo

• onnxruntime c# demo: 完全以C#编写的onnxruntime demo;
• onnxruntime vb.net demo: 完全以VB编写的onnxruntime demo;

字符检测ocr Demo

• 根据本项目和CRNN原理，推到出每个字符的位置demo，包括将字符组合成单词。

第三方Demo

• TNN中文字符ocr: 根据本项目，基于TNN实现的轻量级中文字符ocr demo，支持iOS和Android系统，凭借TNN优化的CPU(ARMv7、ARMv8)和GPU(OpenCL、Metal)后端加速模型计算。

Android识别展示

.NetDemo识别展示

字符检测ocr Demo识别展示

第三方 TNN Demo识别展示

chineseocr_lite 快速上手指南

chineseocr_lite 是一个轻量级的中文 OCR（光学字符识别）开源项目，支持 ONNX 推理，部署简单，适用于 Linux、macOS 和 Windows 平台。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux / macOS / Windows
• Python 版本：Python 3.6 及以上
• 前置依赖：
  • 建议安装 onnxruntime (CPU 版本即可快速启动)
  • 其他依赖库通常包含在项目目录中或通过 pip 自动安装

提示：国内用户建议使用清华源或阿里源加速 Python 包的安装。

安装步骤

1. 克隆项目代码 从 GitHub 获取本项目代码（注意切换到 onnx 分支以使用 ONNX 推理版本）：

   git clone -b onnx https://github.com/ouyanghuiyu/chineseocr_lite.git
   

2. 进入项目目录

   cd chineseocr_lite
   

3. 安装 Python 依赖 如果项目根目录下有 requirements.txt，请执行以下命令安装依赖（推荐使用国内镜像源）：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   若无需额外安装即可运行，可跳过此步直接尝试启动服务。

基本使用

本项目提供了一个简单的 Web 后端服务，启动后即可进行图片识别测试。

1. 启动 Web 服务 在项目根目录下运行以下命令：

   python backend/main.py
   

2. 查看识别结果 服务启动后，程序会自动处理测试图片并输出识别结果。您可以参考项目中的 test_imgs/res.jpg 或 test_imgs/res_2.jpg 查看预期的识别效果展示。

---

更多语言支持： 如果您需要 C++、Java/Kotlin (JVM)、Android (.aar/.so)、.Net (C#/VB) 或其他框架 (NCNN, MNN, TNN) 的集成示例，请访问项目的对应子目录（如 cpp_projects, android_projects 等）或加入官方 QQ 群（820075525）获取完整源码工程。