[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-DayBreak-u--chineseocr_lite":3,"tool-DayBreak-u--chineseocr_lite":61},[4,18,28,36,45,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":24,"last_commit_at":42,"category_tags":43,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",161147,"2026-04-19T23:31:47",[14,13,44],"语言模型",{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[27,13,15,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":118,"forks":119,"last_commit_at":120,"license":121,"difficulty_score":122,"env_os":123,"env_gpu":124,"env_ram":125,"env_deps":126,"category_tags":133,"github_topics":134,"view_count":24,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":137,"updated_at":138,"faqs":139,"releases":175},9874,"DayBreak-u\u002Fchineseocr_lite","chineseocr_lite","超轻量级中文ocr，支持竖排文字识别, 支持ncnn、mnn、tnn推理 ( dbnet(1.8M) + crnn(2.5M) + anglenet(378KB)) 总模型仅4.7M ","chineseocr_lite 是一款专为中文场景打造的超轻量级光学字符识别（OCR）开源工具。它核心解决了传统 OCR 模型体积庞大、部署困难以及在移动端运行缓慢的痛点，让高精度文字识别也能在资源受限的设备上流畅运行。\n\n该工具特别适合嵌入式开发者、移动端应用工程师以及需要快速集成 OCR 功能的研究人员使用。无论是 Windows、Linux、macOS 桌面端，还是 Android、iOS 移动平台，甚至通过 Java、.Net 等语言环境，都能轻松接入。对于普通用户而言，基于此工具开发的应用能提供更快的身份证、车牌或文档扫描体验。\n\nchineseocr_lite 最大的技术亮点在于其极致的轻量化设计。整套模型仅约 4.7MB，由 DBNet、CRNN 和 AngleNet 三个微型网络组成，却能精准支持横排及竖排中文识别。更难得的是，它全面兼容 NCNN、MNN、TNN 及 ONNX 等多种主流推理框架，不仅支持 CPU 高效运算，还能利用 Vulkan、OpenCL 等技术调用 GPU 加速。这种“小而美”的架构，使得开发者无需依赖庞大的深度学习环境，即可将强大的中文识别能","chineseocr_lite 是一款专为中文场景打造的超轻量级光学字符识别（OCR）开源工具。它核心解决了传统 OCR 模型体积庞大、部署困难以及在移动端运行缓慢的痛点，让高精度文字识别也能在资源受限的设备上流畅运行。\n\n该工具特别适合嵌入式开发者、移动端应用工程师以及需要快速集成 OCR 功能的研究人员使用。无论是 Windows、Linux、macOS 桌面端，还是 Android、iOS 移动平台，甚至通过 Java、.Net 等语言环境，都能轻松接入。对于普通用户而言，基于此工具开发的应用能提供更快的身份证、车牌或文档扫描体验。\n\nchineseocr_lite 最大的技术亮点在于其极致的轻量化设计。整套模型仅约 4.7MB，由 DBNet、CRNN 和 AngleNet 三个微型网络组成，却能精准支持横排及竖排中文识别。更难得的是，它全面兼容 NCNN、MNN、TNN 及 ONNX 等多种主流推理框架，不仅支持 CPU 高效运算，还能利用 Vulkan、OpenCL 等技术调用 GPU 加速。这种“小而美”的架构，使得开发者无需依赖庞大的深度学习环境，即可将强大的中文识别能力嵌入到各类终端设备中。","# chineseocr_lite 的 onnx 推理, 部署简单\n\n## 原始项目分支（torch推理，ncnn推理等）：[master](https:\u002F\u002Fgithub.com\u002Fouyanghuiyu\u002Fchineseocr_lite\u002Ftree\u002Fmaster)\n\n## 环境\n- python3.6\n\n- linux\u002Fmacos\u002Fwindows\n\n## web服务启动\n``` Bash\ncd chineseocr_lite## 进入chineseocr目录\npython backend\u002Fmain.py \n```\n\n## 识别结果展示\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_a8e4be23c561.jpg)\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_5142d76c38a5.jpg)\n\n## 参考\n1. TrWebOCR https:\u002F\u002Fgithub.com\u002Falisen39\u002FTrWebOCR         \n\n## QQ群\n820075525\n\n### 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\n** 注意：以下各种demo均相互独立，只是同一个程序的不同版本 **\n#### **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**\n#### [C++ Demo](https:\u002F\u002Fgithub.com\u002Fouyanghuiyu\u002Fchineseocr_lite\u002Ftree\u002Fonnx\u002Fcpp_projects)\n* onnxruntime C++ demo，支持Windows、linux、macOS，目前仅支持cpu计算；\n* 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；\n* MNN C++ demo, 支持 windows、linux、macOs，目前仅支持cpu计算；\n\n#### [Jvm Demo](https:\u002F\u002Fgithub.com\u002Fouyanghuiyu\u002Fchineseocr_lite\u002Ftree\u002Fonnx\u002Fjvm_projects)\n* onnxruntime jvm demo: 以onnxruntime C++为基础，编译成jni供java或kotlin调用；\n* 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；\n\n#### [Android Demo](https:\u002F\u002Fgithub.com\u002Fouyanghuiyu\u002Fchineseocr_lite\u002Ftree\u002Fonnx\u002Fandroid_projects)\n* onnxruntime android demo: 以onnxruntime C++为基础，整合为一个独立的android模块供app调用；\n* 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；\n* 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\n\n#### [.Net Demo](https:\u002F\u002Fgithub.com\u002Fouyanghuiyu\u002Fchineseocr_lite\u002Ftree\u002Fonnx\u002Fdotnet_projects)\n* onnxruntime c# demo:  完全以C#编写的onnxruntime demo;\n* onnxruntime vb.net demo: 完全以VB编写的onnxruntime demo;\n\n#### [字符检测ocr Demo](https:\u002F\u002Fgithub.com\u002Ffanqie03\u002Fchar-detection)\n* 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。\n\n#### 第三方Demo\n* [TNN中文字符ocr](https:\u002F\u002Fgithub.com\u002FTencent\u002FTNN\u002F#effect-example): 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。\n\n\n### Android识别展示\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_46efa8cedac5.gif)\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_9cb22027dcb6.gif)\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_5fd56afea1fb.gif)\n\n### .NetDemo识别展示\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_d196d6a7e9c3.png)\n\n### 字符检测ocr Demo识别展示\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_dc83ede424a0.jpg)\n\n### 第三方 TNN Demo识别展示\n[![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_005eba5ca416.gif)](https:\u002F\u002Fgithub.com\u002FTencent\u002FTNN\u002F#effect-example)\n[![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_720a81c0eae6.png)](https:\u002F\u002Fgithub.com\u002FTencent\u002FTNN\u002F#effect-example)\n[![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_af90c7e5cd42.png)](https:\u002F\u002Fgithub.com\u002FTencent\u002FTNN\u002F#effect-example)\n","# chineseocr_lite 的 onnx 推理, 部署简单\n\n## 原始项目分支（torch推理，ncnn推理等）：[master](https:\u002F\u002Fgithub.com\u002Fouyanghuiyu\u002Fchineseocr_lite\u002Ftree\u002Fmaster)\n\n## 环境\n- python3.6\n\n- linux\u002Fmacos\u002Fwindows\n\n## web服务启动\n``` Bash\ncd chineseocr_lite## 进入chineseocr目录\npython backend\u002Fmain.py \n```\n\n## 识别结果展示\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_a8e4be23c561.jpg)\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_5142d76c38a5.jpg)\n\n## 参考\n1. TrWebOCR https:\u002F\u002Fgithub.com\u002Falisen39\u002FTrWebOCR         \n\n## QQ群\n820075525\n\n### 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\n** 注意：以下各种demo均相互独立，只是同一个程序的不同版本 **\n#### **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**\n#### [C++ Demo](https:\u002F\u002Fgithub.com\u002Fouyanghuiyu\u002Fchineseocr_lite\u002Ftree\u002Fonnx\u002Fcpp_projects)\n* onnxruntime C++ demo，支持Windows、linux、macOS，目前仅支持cpu计算；\n* 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；\n* MNN C++ demo, 支持 windows、linux、macOs，目前仅支持cpu计算；\n\n#### [Jvm Demo](https:\u002F\u002Fgithub.com\u002Fouyanghuiyu\u002Fchineseocr_lite\u002Ftree\u002Fonnx\u002Fjvm_projects)\n* onnxruntime jvm demo: 以onnxruntime C++为基础，编译成jni供java或kotlin调用；\n* 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；\n\n#### [Android Demo](https:\u002F\u002Fgithub.com\u002Fouyanghuiyu\u002Fchineseocr_lite\u002Ftree\u002Fonnx\u002Fandroid_projects)\n* onnxruntime android demo: 以onnxruntime C++为基础，整合为一个独立的android模块供app调用；\n* 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；\n* 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\n\n#### [.Net Demo](https:\u002F\u002Fgithub.com\u002Fouyanghuiyu\u002Fchineseocr_lite\u002Ftree\u002Fonnx\u002Fdotnet_projects)\n* onnxruntime c# demo:  完全以C#编写的onnxruntime demo;\n* onnxruntime vb.net demo: 完全以VB编写的onnxruntime demo;\n\n#### [字符检测ocr Demo](https:\u002F\u002Fgithub.com\u002Ffanqie03\u002Fchar-detection)\n* 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。\n\n#### 第三方Demo\n* [TNN中文字符ocr](https:\u002F\u002Fgithub.com\u002FTencent\u002FTNN\u002F#effect-example): 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。\n\n\n### Android识别展示\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_46efa8cedac5.gif)\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_9cb22027dcb6.gif)\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_5fd56afea1fb.gif)\n\n### .NetDemo识别展示\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_d196d6a7e9c3.png)\n\n### 字符检测ocr Demo识别展示\n![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_dc83ede424a0.jpg)\n\n### 第三方 TNN Demo识别展示\n[![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_005eba5ca416.gif)](https:\u002F\u002Fgithub.com\u002FTencent\u002FTNN\u002F#effect-example)\n[![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_720a81c0eae6.png)](https:\u002F\u002Fgithub.com\u002FTencent\u002FTNN\u002F#effect-example)\n[![avatar](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_readme_af90c7e5cd42.png)](https:\u002F\u002Fgithub.com\u002FTencent\u002FTNN\u002F#effect-example)","# chineseocr_lite 快速上手指南\n\nchineseocr_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。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：Python 3.6 及以上\n*   **前置依赖**：\n    *   建议安装 `onnxruntime` (CPU 版本即可快速启动)\n    *   其他依赖库通常包含在项目目录中或通过 `pip` 自动安装\n\n> **提示**：国内用户建议使用清华源或阿里源加速 Python 包的安装。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    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）：\n    ```bash\n    git clone -b onnx https:\u002F\u002Fgithub.com\u002Fouyanghuiyu\u002Fchineseocr_lite.git\n    ```\n\n2.  **进入项目目录**\n    ```bash\n    cd chineseocr_lite\n    ```\n\n3.  **安装 Python 依赖**\n    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）：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *若无需额外安装即可运行，可跳过此步直接尝试启动服务。*\n\n## 基本使用\n\n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。\n\n1.  **启动 Web 服务**\n    在项目根目录下运行以下命令：\n    ```bash\n    python backend\u002Fmain.py\n    ```\n\n2.  **查看识别结果**\n    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\u002Fres.jpg` 或 `test_imgs\u002Fres_2.jpg` 查看预期的识别效果展示。\n\n---\n**更多语言支持**：\n如果您需要 C++、Java\u002FKotlin (JVM)、Android (.aar\u002F.so)、.Net (C#\u002FVB) 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。","某物流初创团队正在开发一款面向快递员的 Android 扫码 App，需要在低端安卓手机上实时识别运单上的中文地址和竖排备注信息。\n\n### 没有 chineseocr_lite 时\n- **安装包体积臃肿**：集成通用 OCR 引擎导致 APK 体积增加超过 50MB，用户下载意愿低，且占用大量手机存储。\n- **低端机运行卡顿**：传统模型计算量大，在旧款安卓设备上识别一张图片需耗时 3-5 秒，严重拖慢快递员揽收效率。\n- **特殊排版无法识别**：面对运单上常见的竖排文字或倾斜角度较大的手写备注，现有方案识别率极低甚至完全失效。\n- **多平台部署困难**：团队缺乏精通 C++ 和移动端推理框架的专家，难以将算法高效移植到 Android、iOS 及后端服务中。\n\n### 使用 chineseocr_lite 后\n- **极致轻量部署**：得益于总模型仅 4.7M 的超轻体量，APK 体积几乎无感知增长，完美适配低配机型和网络环境。\n- **毫秒级实时响应**：利用 ncnn 或 MNN 推理加速，即使在 CPU 模式下也能实现毫秒级识别，大幅提升扫码流畅度。\n- **全场景文字覆盖**：原生支持竖排文字识别，配合 angleNet 精准校正倾斜角度，无论是横排地址还是竖排备注均能准确提取。\n- **跨语言无缝整合**：直接调用官方提供的 Android Demo 或 JNI 接口，快速完成从算法验证到工程落地的闭环，降低开发门槛。\n\nchineseocr_lite 以极小的资源代价解决了移动端中文识别的性能与兼容性难题，让轻量级 AI 应用真正落地普及。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDayBreak-u_chineseocr_lite_a8e4be23.jpg","DayBreak-u","DayBreak","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FDayBreak-u_be0800e4.jpg",null,"https:\u002F\u002Fgithub.com\u002FDayBreak-u",[79,83,87,91,95,98,102,106,110,114],{"name":80,"color":81,"percentage":82},"C++","#f34b7d",75.7,{"name":84,"color":85,"percentage":86},"Kotlin","#A97BFF",11,{"name":88,"color":89,"percentage":90},"Visual Basic .NET","#945db7",2.6,{"name":92,"color":93,"percentage":94},"C#","#178600",2.4,{"name":96,"color":97,"percentage":94},"Python","#3572A5",{"name":99,"color":100,"percentage":101},"Shell","#89e051",1.8,{"name":103,"color":104,"percentage":105},"Batchfile","#C1F12E",1.5,{"name":107,"color":108,"percentage":109},"CMake","#DA3434",1.1,{"name":111,"color":112,"percentage":113},"C","#555555",0.9,{"name":115,"color":116,"percentage":117},"Java","#b07219",0.6,12280,2272,"2026-04-19T11:15:42","GPL-2.0",1,"Linux, macOS, Windows","非必需。ONNX Runtime、MNN 及大部分 C++\u002FAndroid Demo 默认仅支持 CPU；部分 ncnn 版本支持 GPU 加速（使用 Vulkan 后端，无需 CUDA），适用于 Windows、Linux、macOS 及 Android。","未说明",{"notes":127,"python":128,"dependencies":129},"该项目提供多种语言版本的 Demo（C++, JVM, Android, .Net），各版本依赖相互独立。若需 GPU 加速，请选择基于 ncnn+vulkan 的版本；ONNX 和 MNN 版本目前主要支持 CPU 推理。完整源码工程可在官方 QQ 群共享中下载。","3.6",[130,131,132],"onnxruntime","ncnn","MNN",[14,15],[131,135,136],"ocr","pytorch","2026-03-27T02:49:30.150509","2026-04-20T10:23:55.505159",[140,145,150,155,160,165,170],{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},44346,"编译 pse.so 时遇到 'unrecognized command line option -fno-plt' 错误怎么办？","这是因为编译器版本不支持该参数。解决方法是直接复制 make 命令，手动删除其中的 '-fno-plt' 参数后重新执行。例如：g++ -o pse.so -I include -std=c++11 -O3 ... (省略其他参数) -fPIC。此外，如果是 Python 版本不匹配导致的 ImportError，请检查 pse\u002Finclude\u002Fpybind11\u002Fdetail\u002Fcommon.h 中的头文件引用路径，确保其指向正确的 Python 版本（如将 python2.7 改为 python3.x）。","https:\u002F\u002Fgithub.com\u002FDayBreak-u\u002Fchineseocr_lite\u002Fissues\u002F14",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},44347,"模型导出 ONNX 或在不同 Python 版本间运行时出现版本不匹配错误如何解决？","如果报错 'module was compiled for Python X.X, but the interpreter version is incompatible'，说明扩展模块是用旧版本 Python 编译的。建议尝试使用 PyTorch 1.2.0 版本重新导出 ONNX 模型，或者确保编译环境和运行环境的 Python 版本完全一致。对于 ONNX 转换问题，检查输入张量形状和 opset_version 设置（如设置为 11）也可能有帮助。","https:\u002F\u002Fgithub.com\u002FDayBreak-u\u002Fchineseocr_lite\u002Fissues\u002F61",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},44348,"OCR 模型是使用了什么数据集训练的？竖排文字是如何处理的？","作者对竖排和横排文字是分开训练的。竖排文字样本主要是通过将字体旋转 90 度生成的。相关的垂直文本字体文件可以在项目的 vertical_text_fonts\u002Ffonts 目录下找到。合成数据时可参考 text_renderer 或 SynthText_Chinese_py3 等项目，并通过旋转字体来生成竖排样本。","https:\u002F\u002Fgithub.com\u002FDayBreak-u\u002Fchineseocr_lite\u002Fissues\u002F3",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},44349,"如何在 Java (JVM) 项目中关闭控制台的日志打印消息？","Java 版 Demo 是通过 JNI 调用 C++ 编译的动态库 (.dll 或 .so) 运行的。要修改日志行为，通常需要查看对应的 C++ 项目源码。JVM 项目的完整代码包含 jvm_projects 和 cpp_projects 两部分。主要的逻辑代码在 C++ 项目中，因此需要在 C++ 代码中调整日志输出配置，然后重新编译动态库供 Java 调用。详细编译说明请参考项目中 jvm_projects 目录下的文档。","https:\u002F\u002Fgithub.com\u002FDayBreak-u\u002Fchineseocr_lite\u002Fissues\u002F328",{"id":161,"question_zh":162,"answer_zh":163,"source_url":164},44350,"在 Mac 上运行程序时出现 'Segmentation fault: 11' 错误如何解决？","该错误通常发生在调用 pse_decode 函数时。目前社区反馈在 Mac 上编译和运行存在兼容性问题，且作者在 Ubuntu 上测试效果也不理想，因此暂时放弃了该方案。建议优先在 Linux (Ubuntu) 或 Windows 环境下部署。如果必须在 Mac 上使用，可能需要深入调试 C++ 扩展部分的内存管理或重新编译适配 Mac 的二进制文件，但官方暂无明确修复补丁。","https:\u002F\u002Fgithub.com\u002FDayBreak-u\u002Fchineseocr_lite\u002Fissues\u002F12",{"id":166,"question_zh":167,"answer_zh":168,"source_url":169},44351,"如何去除检测到的竖直方向文本框？","如果实际应用不需要竖直文字检测，可以通过修改后处理代码来实现。一种方法是调整二值化阈值控制，或者在获取到 kernels 后，修改连通域分析（connectedComponents）的逻辑。例如，只选择特定的核进行合并，或者在遍历 features 时跳过竖直方向的特征索引。具体代码逻辑涉及 cv::connectedComponents 的使用，可以通过只保留第一个核并合并其他核的方式来过滤掉不需要的方向。","https:\u002F\u002Fgithub.com\u002FDayBreak-u\u002Fchineseocr_lite\u002Fissues\u002F46",{"id":171,"question_zh":172,"answer_zh":173,"source_url":174},44352,"是否有 Caffe 版本的模型可以提供以提高 CPU 推理速度？","目前项目主要提供 NCNN 和 ONNX 模型。虽然用户请求 Caffe 模型以利用其 CPU 加速特性（预计速度可提高一倍），但作者未直接提供预训练的 Caffe 模型。不过，网络结构基于 PSENet + MobileV2，用户可以尝试自行将现有的 ONNX 模型转换为 Caffe 格式，或者参考相关代码自行训练 Caffe 版本。","https:\u002F\u002Fgithub.com\u002FDayBreak-u\u002Fchineseocr_lite\u002Fissues\u002F71",[]]