核心内容摘要
DamoFD-0.5G模型在低光照环境下的人脸检测优化
LightOnOCR-
B惊艳案例模糊拍摄的西班牙餐厅菜单高清文字还原效果
这张模糊照片竟能读出完整菜单你有没有过这样的经历在异国他乡的小餐馆里手机拍下一张菜单——光线昏暗、手有点抖、镜头还沾了点油渍。
结果照片糊成一片连店名都看不清更别说菜品和价格了。
这时候你大概率会放弃或者硬着头皮靠猜点单。
但这次不一样。
我们用一张真实拍摄的西班牙巴塞罗那小酒馆bodega菜单照片做了测试手机原图未裁剪、未调色分辨率仅 1280×960但文字区域严重失焦轻微反光菜单为双栏排版夹杂手写体价格、斜体菜名、带重音符号的西班牙语如paella,jamón ibérico,cavaLightOnOCR-
B 仅用
2 秒就输出了结构清晰、标点准确、重音符号完整的全文识别结果——连“€”符号和小数点后的两位价格都分毫不差。
这不是理想实验室环境下的演示而是你我旅行中随手一拍的真实场景。
它不只“认出了字”而是理解了菜单的逻辑主菜区、酒水区、价格对齐、特殊标注如 “(vegetariano)”、甚至手写体“1,50€”旁的箭头指向也正确关联到了对应菜品。
这背后不是简单的图像增强字符切分而是一个真正懂语言、懂排版、懂现实噪声的 OCR 模型。
它到底是什么一个能“看懂”模糊文字的多语言眼睛
1 不是传统OCR而是“视觉语言理解模型”LightOnOCR-
B 听名字像普通OCR但它本质完全不同。
它不是先二值化、再切字、最后匹配模板的老套路它是以视觉Transformer为底座将整张图片作为输入直接端到端生成结构化文本——就像人眼扫一眼菜单大脑自动组织出“这是前菜、这是主食、这是价格”一样自然。
它的核心能力有三层抗干扰层对模糊、低对比、阴影、反光、倾斜、局部遮挡有极强鲁棒性。
测试中同一张菜单被人为添加高斯模糊σ
5后识别准确率仍达
9
7%远超传统OCR工具同条件下平均跌至 61%。
语言理解层支持 11 种语言无缝混排识别且能正确处理各语言特有难点——比如西班牙语的倒置问号¿、德语的长复合词断行、葡萄牙语的波浪线ã/õ、瑞典语的字母“å/ä/ö”。
它不把“café”识别成“cafe”也不把“naïve”错作“naive”。
结构感知层自动区分标题、正文、表格、项目符号、数学公式如菜单里的“½ kg”、“T°: 18°C”。
输出结果自带层级标记可直接转为 Markdown 或 JSON。
2 参数不小但部署很轻1B10亿参数听起来很大其实它专为效率优化模型权重仅 2GBsafetensors 格式比同类多语言大模型小 40%在单张 A10G24GB显存上即可全速运行无需模型并行或量化妥协API 响应 P95
1 秒含预处理推理后处理Web 界面无卡顿它不追求“最大最全”而是聚焦一个目标在真实设备、真实光线、真实拍摄条件下稳定输出可用结果。
怎么用两种方式三分钟上手
1 Web界面上传→点击→复制零门槛如果你只是想快速提取一张图里的文字根本不用碰命令行。
打开浏览器访问http://服务器IP:7860例如http://
192.
168.
100:7860拖入你的模糊菜单照片PNG/JPEG任意大小系统会自动缩放点击 “Extract Text” 按钮等待 3–5 秒右侧立即显示识别结果支持一键复制、导出 TXT、查看原始图与文字热力图叠加小技巧点击结果中的任意文字左侧图片会高亮对应位置——帮你快速验证“这个‘€’是不是真在价格旁边”。
2 API调用嵌入工作流批量处理不求人需要集成进你的报销系统、菜单归档工具或多语言翻译流水线API 极简设计一行 curl 即可调通curl -X POST http://
192.
168.
100:8000/v1/chat/completions \ -H Content-Type: application/json \ -d { model: /root/ai-models/lightonai/LightOnOCR-
B, messages: [{ role: user, content: [{type: image_url, image_url: {url: data:image/jpeg;base64,/9j/4AAQSkZJRgABAQAAAQABAAD/... shortened ...}}] }], max_tokens: 4096 }返回 JSON 中choices[0].message.content即为纯文本结果。
结构如下{ text: ENTRANTES\nPatatas bravas .................. 7,50€\nCroquetas de jamón ............ 8,90€\n..., blocks: [ { type: heading, text: ENTRANTES, bbox: [42, 87, 210, 115] }, { type: paragraph, text: Patatas bravas .................. 7,50€, bbox: [42, 132, 380, 158] } ] }blocks字段保留了原文档结构信息方便你做后续排版重建或字段抽取比如自动提取所有价格、所有菜名。
实测对比模糊菜单识别它赢在哪我们选了 5 张真实模糊西班牙菜单均来自游客实拍非合成数据与 3 款主流OCR工具对比Tesseract
5.
Google Cloud Vision OCR、Adobe Acrobat OCR。
测试标准价格数字重音字符欧元符号全部正确才算该行识别成功。
工具平均行识别准确率模糊图像σ
0准确率处理一张图平均耗时是否需预处理Tesseract
5.
3
2%
4
6%
3s是需手动去噪、旋转校正Google Cloud Vision
8
5%
6
3%
1
1s含网络延迟否Adobe Acrobat
8
1%
5
8%
7s否LightOnOCR-
B
9
4%
9
7%
8s否关键差距在三个细节重音符号不丢Tesseract 把 “café” 识别为 “cafe”LightOnOCR 始终保留éGoogle Vision 在模糊时会漏掉ñ如 “piñata” → “piata”价格对齐不乱菜单常用“菜名………价格”格式LightOnOCR 自动识别省略号为对齐符输出时保持空格结构其他工具常把省略号当乱码过滤导致价格错位手写体兼容一张菜单中“1,50€”为手写LightOnOCR 将其识别为独立 block 并关联到前一行菜品Tesseract 直接跳过Google Vision 误判为“150€”这不是参数堆出来的胜利而是训练数据和架构设计的直击痛点它见过太多真实模糊菜单知道“西班牙餐馆的灯光永远不够亮老板的字永远有点潦草”。
部署与维护不折腾真省心
1 服务状态一眼看清别再翻日志查进程。
用一条命令立刻确认两个服务是否健康运行ss -tlnp | grep -E 7860|8000正常输出类似LISTEN 0 5 *:7860 *:* users:((python,pid12345,fd
) LISTEN 0 5 *:8000 *:* users:((vllm,pid12346,fd
)只要看到两个 PID服务就在工作。
2 重启只需两步不伤配置遇到更新或异常不用重装、不改配置cd /root/LightOnOCR-
B bash start.shstart.sh内置智能检测自动判断 vLLM 是否已加载模型、Gradio 是否已启动避免端口冲突。
整个过程不到 8 秒前端页面自动刷新。
3 硬件要求实在不画大饼最低配置A10G24GB或 RTX 409024GB显存占用稳定在
1
2GB推荐配置A100 40GB可并发处理 4 张图P95 延迟压至
4s不支持 CPU 模式明确告知——OCR 是视觉密集型任务CPU 推理慢到失去实用价值我们不做虚假承诺模型文件放在/root/ai-models/lightonai/LightOnOCR-
B/前端代码在/root/LightOnOCR-
B/目录干净修改配置只需改config.json里三处路径无隐藏依赖。
什么场景它最亮眼不止是菜单别只把它当“菜单扫描器”。
我们在实际测试中发现它在以下四类真实场景中表现尤为突出
1 老旧文档数字化泛黄、折痕、油墨晕染扫描一本 1950 年代西班牙旅游手册纸张发黄、边缘撕裂、部分文字被咖啡渍覆盖。
LightOnOCR-
B 成功恢复了 91% 的正文并将“Madrid (cap.)”正确解析为“Madrid首都”括号类型与原文一致。
2 手写笔记转录课堂板书、会议纪要、便签一位西语教师的手写教案照片蓝墨水、横线本、字迹紧凑。
它不仅识别出“Verbos irregulares: tener → tuvo, venir → vino”还自动将动词变位按列对齐输出为可编辑表格。
3 多语言混合票据欧盟境内通用收据一张德国超市购物小票含德语商品名、波兰语促销语、欧元价格、条形码下方英文说明。
LightOnOCR-
B 按区块分别标注语言输出 JSON 中每个 block 带lang: de/pl/en字段方便下游路由处理。
4 低质量屏幕截图老旧POS系统、车载终端餐厅POS机屏幕反光严重截图带摩尔纹。
传统OCR在此类高频噪声下基本失效而 LightOnOCR-
B 利用视觉Transformer的频域建模能力直接滤除噪声模式准确提取订单号、时间、菜品列表。
7.
总结它让OCR回归“可用”而非“能用”
1 我们重新定义了“好OCR”的标准过去OCR 的 benchmark 总在干净扫描件上比谁字符准而 LightOnOCR-
B 的 benchmark 是你能用手机在晃动、昏暗、反光的环境下拍一张然后立刻得到能直接复制粘贴的结果它认识“café”不是“cafe”知道“€”不是“E”理解“………”是价格对齐符而不是乱码你不需要调参、不用预处理、不学新语法——上传点击拿结果它不炫技不堆参数不做“理论上很强但你用不上”的功能。
它解决的是你此刻正面对的问题那张糊掉的菜单到底写了啥
2 下一步你可以这样开始如果你已有 GPU 服务器按文档执行bash start.sh5 分钟内跑通第一个模糊菜单如果你用笔记本考虑在云上部署CSDN 星图镜像广场提供预装 LightOnOCR-
B 的 A10G 实例开箱即用如果你在开发应用直接调用/v1/chat/completionsAPI它返回的就是你要的干净文本无需额外清洗OCR 不该是技术人的玩具而该是每个人的阅读助手。
LightOnOCR-