@ocr-web/core

PP-OCR 推理引擎核心包，面向浏览器/Electron。

• 推理：onnxruntime-web（peer dep）
• 几何：纯 JS 实现（连通域 + 凸包 + minAreaRect + perspective warp），不依赖 opencv-js
• 字典：CTC greedy decode，PaddleOCR 约定（blank=idx0，末尾追加空格）
• 体积：~20KB ESM（不含 ort-web）

安装

pnpm add @ocr-web/core onnxruntime-web @ocr-web/models-ppocrv5

onnxruntime-web 的 *.wasm 文件需要被你的构建工具拷贝到一个可访问的路径（如 /ort/）。 Vite 用法：

// vite.config.ts
import { viteStaticCopy } from "vite-plugin-static-copy";
export default {
  plugins: [
    viteStaticCopy({
      targets: [
        { src: "node_modules/onnxruntime-web/dist/*.wasm", dest: "ort" },
        { src: "node_modules/onnxruntime-web/dist/*.mjs", dest: "ort" },
      ],
    }),
  ],
  optimizeDeps: { exclude: ["onnxruntime-web"] },
};

API

OcrEngine.create(opts)

interface OcrEngineOptions {
  models: {
    detection: string | ArrayBuffer | Uint8Array;
    recognition: string | ArrayBuffer | Uint8Array;
    classification?: string | ArrayBuffer | Uint8Array; // 保留接口；PP-OCRv5 未发布 cls
  };
  dictionary: string | string[]; // URL / 完整字典文本 / 字符数组
  runtime?: "wasm" | "webgpu";   // 默认 "wasm"
  wasmPaths?: string | Record<string, string>;
  numThreads?: number;            // 默认 1
}

engine.recognize(input, opts?)

type ImageInput =
  | HTMLCanvasElement
  | OffscreenCanvas
  | ImageData
  | ImageBitmap
  | Blob
  | string; // URL

interface RecognizeOptions {
  detThreshold?: number;     // 默认 0.3 — 检测概率二值化阈值
  detBoxThreshold?: number;  // 默认 0.6 — 框平均概率过滤阈值
  maxSideLen?: number;       // 默认 960 — det 输入最长边
  unclipRatio?: number;      // 默认 1.6 — 框扩张系数
  minBoxSize?: number;       // 默认 3 像素
}

interface OcrLine {
  text: string;
  box: [Point, Point, Point, Point]; // TL, TR, BR, BL
  confidence: number;
}

interface OcrResult {
  lines: OcrLine[];
  fullText: string;
  durationMs: number;
}

engine.dispose()

释放底层 ort session。

调参经验

• 小字号识别差：把 detThreshold 调到 0.2，unclipRatio 调到 1.8-2.0
• 检测漏框：降 detThreshold（0.2-0.25）
• 检测框相互粘连：升 detThreshold（0.4-0.5）
• 框过紧导致 rec 错字：升 unclipRatio 到 1.8-2.0

性能（M2 Mac, WASM 单线程）

| 场景 | 时长 | |---|---| | 引擎初始化（含模型加载） | ~500-700ms | | det 推理（单页 A4） | ~250ms | | rec 推理（单行） | ~50-100ms | | 端到端 4 行简单图 | ~450ms | | 端到端 13 行复杂图 | ~1.4s |

实现说明

DBNet 后处理走的是 PaddleOCR 等价路线，但用纯 JS 复现：

1. det 输出 sigmoid 概率图 [1,1,H,W]
2. 阈值二值化
3. 8 邻接 BFS 连通域 → 像素点集
4. 凸包（Andrew's monotone chain） → minAreaRect（rotating calipers）
5. unclip：distance = area * ratio / perimeter，按距离向外扩
6. 评分过滤（区域内平均概率 < detBoxThreshold 则丢弃）
7. perspective warp 到 32×W 喂 rec
8. CTC greedy decode

License: MIT