EasyOCR на GX10: прост OCR с кирилица
EasyOCR чете текст от снимки с два реда Python и разбира български. Пускаме го локално на сървър от класа NVIDIA GB10: снимките не напускат машината, а накрая знаеш и кога да избереш друг инструмент.
bg, лицензът е Apache-2.0, а за ARM64 с CUDA има официални колела на PyTorch (cu130). Махнахме: твърдението, че на GX10 GPU работи „автоматично и без настройка“ (не е проверено — сега показваме явна инсталация и проверка), оценките „силен“, „слаб“ и „значително ускорение“ без измервания, вътрешни примери от нашата работа, бележката за други OCR модели (тя е за други уроци) и примера със снимка на документ, който не можеш да повториш. Добавихме: виртуална среда, инсталиране на PyTorch за aarch64, пример със синтетична снимка, който можеш да пуснеш без чужди файлове, обяснение на резултата, работа без интернет и честен списък с ограничения.
cu130 поддържат видеокартата на GB10 без предупреждение, скоростта и точността на български текст. Затова не даваме числа.01Какво ще научиш
- Как работи EasyOCR: един модел намира къде има текст, друг го чете.
- Как да поставиш PyTorch за ARM64 с CUDA във виртуална среда и да инсталираш EasyOCR.
- Как да създадеш
Readerза български и английски и да го ползваш многократно. - Как да четеш резултата: рамка, текст и степен на сигурност.
- Как да минеш на процесор или да работиш без интернет.
- Кога EasyOCR не е правилният избор.
02Преди да започнеш
- Машина от класа NVIDIA GB10 (например ASUS Ascent GX10 или DGX Spark) с DGX OS (Ubuntu 24.04 за Arm64).
- Достъп до терминала на машината — директно или по SSH.
- Python 3 с модула
venv. Ubuntu 24.04 по подразбиране носи Python 3.12 — провери сpython3 --version, защото колелата на PyTorch по-долу са за 3.12. - Интернет при първото пускане: теглят се PyTorch (повече от един гигабайт), библиотеките и тежестите на моделите.
- Свободно място на диска — провери с
df -h.
aarch64 и — ако искаш GPU — с CUDA. Проверихме официалния индекс на PyTorch: за CPython 3.12 и CUDA 13.0 има колела за aarch64 (torch 2.9 до 2.14, torchvision 0.25 до 0.27).03Стъпки
-
Какво прави EasyOCR
Според проекта разпознаването върви на две стъпки. Първо моделът CRAFT (Character Region Awareness For Text) намира областите, където има текст — по своята статия той е създаден да открива и наклонен, и извит текст. После моделът за разпознаване (CRNN) чете всяка област буква по буква. Всичко се изпълнява на PyTorch. Поддържат се над 80 езика; български е с код
bg, английски —en. Лицензът на библиотеката е Apache-2.0.💡Кои езици вървят заедноbgе в кирилската група на проекта заедно с руски (ru), украински (uk), беларуски (be), сръбски на кирилица (rs_cyrillic) и други. По документацията на проекта английският е съвместим с всички езици, а езиците със сходни знаци обикновено работят заедно — но не всички двойки са позволени. Започни с['bg','en']. -
Провери машината
bash · на машинатаuname -m python3 --version nvidia-smiОчакваш
aarch64, Python 3.12 и таблица с видеокартата. Редът за памет в нея може да казва „Memory-Usage: Not Supported“ — на GB10 това е нормално: видеокартата ползва общата памет на машината (потвърждава NVIDIA). -
Виртуална среда и PyTorch за aarch64
Защо виртуална среда? PyTorch и зависимостите на EasyOCR са тежки и не бива да смесваш версиите им със системните пакети. Средата се трие с една команда, без да пипа системата.
Защо явен индекс? Така избираш сам CUDA сборката за ARM64, вместо да се надяваш, че
pipще вземе подходяща. Ако командатаpython3 -m venvсе оплаче, че модулът липсва, инсталирайpython3-venvсsudo apt install python3-venv.bash · на машинатаpython3 -m venv ~/ocr-env source ~/ocr-env/bin/activate pip install --upgrade pip pip install torch torchvision --index-url https://download.pytorch.org/whl/cu130 python -c "import torch; print(torch.__version__, torch.cuda.is_available())"Последният ред трябва да напише версията и
True. Ако видишFalseили се появи предупреждение за възможностите (compute capability) на видеокартата, спри: PyTorch няма да ползва GPU. Тогава или потърси по-нова сборка в индекса, или продължи на процесор (виж стъпка 7).⚠️Не сме го пускали на GB10Наличието на колело за aarch64 с CUDA 13.0 е проверено в индекса, но дали то поддържа видеокартата на GB10 без предупреждение, не сме тествали. Затова проверката по-горе е задължителна. -
Инсталирай EasyOCR
PyTorch вече е на място, затова
pipняма да го смени. Донася останалото: OpenCV, SciPy, NumPy, Pillow, scikit-image и други.bash · във виртуалната средаpip install easyocr python -c "import easyocr; print('easyocr: OK')"Ще получиш версия 1.7.2 — последната към днешна дата.
-
Първо четене на синтетична снимка
За да не ти трябват чужди файлове, правим сами снимка с български текст. Ползваме шрифта DejaVu Sans, който има кирилица; провери дали го има с
fc-list | grep -i dejavuи ако пътят е различен, поправи го в първия ред.python · ocr_test.pyfrom PIL import Image, ImageDraw, ImageFont import easyocr FONT = "/usr/share/fonts/truetype/dejavu/DejaVuSans.ttf" # 1) синтетична снимка с кирилица img = Image.new("RGB", (900, 220), "white") draw = ImageDraw.Draw(img) font = ImageFont.truetype(FONT, 56) draw.text((30, 20), "Добър ден, Варна", fill="black", font=font) draw.text((30, 110), "Фактура № 2026-0417", fill="black", font=font) img.save("test.png") # 2) Reader за български и английски — създава се ВЕДНЪЖ reader = easyocr.Reader(["bg", "en"]) # 3) четене result = reader.readtext("test.png") for bbox, text, conf in result: print(f"{text!r} сигурност={conf:.2f} рамка={bbox}")Пускаш със
python ocr_test.py. При първото пускане EasyOCR изтегля тежестите на моделите в~/.EasyOCR/model— трябва ти интернет и малко търпение. Следващите пъти стартира от кеша.Резултатът е списък, в който всеки ред е тройка
(рамка, текст, сигурност). Не даваме примерен изход, защото не сме пускали кода — ти ще видиш какво е разпознато и колко е сигурен моделът. -
Как се чете резултатът
- Рамка (
bbox) — четири ъглови точки на областта в пиксели. Подходяща е за изрязване, очертаване или подреждане. - Текст — разпознатият низ.
- Сигурност (
confidence) — число между 0 и 1: колко е сигурен моделът. Това е оценка на модела, не измерена точност; сравнявай я със собствени примери, преди да ѝ вярваш.
Източникът може да е път до файл, масив на OpenCV (numpy), байтове или адрес на суров образ. Ако ти трябват само низовете, без рамки:
pythontexts = reader.readtext("test.png", detail=0) print(" ".join(texts)) # само по-сигурните резултати good = [t for (b, t, c) in reader.readtext("test.png") if c > 0.5]✅Един Reader на процесРедътeasyocr.Reader([...])зарежда моделите в паметта и отнема време. Прави го веднъж и ползвай същияreaderза всички снимки; не го създавай във вътрешността на цикъл. - Рамка (
-
Процесор вместо видеокарта, работа без интернет
По подразбиране
gpu=True. Ако видеокартата не стига или PyTorch не я вижда, минаваш на процесор:pythonreader = easyocr.Reader(["bg", "en"], gpu=False)Скоростта на двата режима на твоята машина не сме мерили — пусни една и съща снимка и в двата режима и сравни сам. Библиотеката има и команден ред (по документацията на проекта):
easyocr -l bg en -f test.png --detail=1 --gpu=True.Без интернет: тежестите могат да се свалят предварително от модела-хъб на проекта и да се сложат ръчно в
~/.EasyOCR/model. Така втора машина без достъп до мрежата може да ги ползва. Данните, които четеш, така или иначе остават при теб — навън излиза само еднократното изтегляне.⚠️Лицензът на тежеститеЛицензът на библиотеката е Apache-2.0. Лиценза на свалените тежести на моделите не сме проверявали отделно — прочети условията на проекта, ако ще ги ползваш в продукт. -
Силни страни и ограничения
Проектът описва EasyOCR като общ OCR, който чете и текст от сцени (табели, снимки), и плътен текст в документи. Какво знаем, и какво не:
Тема Какво е известно Интерфейс Два реда Python; също команден ред и Dockerfile в хранилището на проекта. Езици Над 80, включително български ( bg); езиците се комбинират само в позволени групи.Резултат Рамка, текст и сигурност за всяка област. Ръкопис Не е поддържан — в плановете на проекта е като бъдеща работа. Таблици и разпределение на страницата Библиотеката връща области с текст; не възстановява структура на таблица. За сложни документи ще ти трябва друг инструмент. Поддръжка Последно издание 1.7.2 е от 24.09.2024; хранилището закрива автоматично задачи, по-стари от шест месеца. Провери съвместимостта с твоята версия на PyTorch. Точност и скорост на български ⚠️ Не сме мерили. Събери 10–20 свои примера и сравни. Ако текстът е на чист, добре осветен скан, класическият Tesseract на процесора може да е достатъчен; ако са таблици и сложни страници, търси решение със структура — например PP-StructureV3 от урока за PaddleOCR.
-
Лични данни — минимумът
- Документи с лични данни чети само локално; не ги качвай в облачни OCR услуги без основание.
- Резултатите (текст и рамки) могат да съдържат същите данни — пази ги като оригиналите.
- Не слагай реални документи в публични хранилища и примери. Тествай със синтетични снимки, както в стъпка 5.
04Проверка
uname -mдаваaarch64, аtorch.cuda.is_available()—True(или знаеш защо работиш на процесор).import easyocrминава във виртуалната среда.ocr_test.pyвръща тройки(рамка, текст, сигурност)и разпознатото прилича на написаното.- Със
detail=0получаваш само низовете. - Режимът
gpu=Falseсъщо работи. - Знаеш за какво EasyOCR не става (ръкопис, таблици).
Тест
1. Кой е езиковият код за български в EasyOCR?
2. Как правилно ползваш Reader при много снимки?
3. Какво връща readtext() по подразбиране?
4. Как принуждаваш EasyOCR да работи на процесор?
05Какво следва
06Източници
- EasyOCR — хранилище и README 🌐 глобален — употреба,
readtext,detail=0,gpu=False, CRAFT и CRNN, ръкопис като бъдеща работа. - easyocr в PyPI — версия 1.7.2 от 24.09.2024, лиценз Apache 2.0.
- Jaided AI: EasyOCR — таблица на поддържаните езици (български —
bg). - EasyOCR: config.py — кирилската езикова група, място на кеша за моделите.
- EasyOCR: requirements.txt — зависимости.
- PyTorch: колела за CUDA 13.0 · torchvision — наличие на aarch64 за CPython 3.12.
- NVIDIA DGX Spark: хардуер · ASUS Ascent GX10: технически данни — клас GB10, Arm, обща памет · известни особености — „Memory-Usage: Not Supported“ в
nvidia-smi.