arcships/light-ocr

解决的问题

light-ocr 为 Node.js 和 C++ 应用程序提供了一种快速、离线的光学字符识别（OCR）解决方案。它无需外部 API 调用或复杂的系统级依赖，允许开发者在本地机器上直接识别图像（JPEG、PNG）和 PDF 中的文本。

工作原理

该项目默认使用 PP-OCRv6 Small 模型，并集成 PDFium 用于文档渲染。它以单个 npm 包形式分发，包含 OCR 运行时、模型和必要的字体，无需安装后下载或编译器。

为优化性能，它会自动检测硬件加速：在 Apple Silicon（macOS 15+）上使用 Core ML，在 Linux 和 Windows 上使用 WebGPU（通过 Vulkan 或 D3D12），否则回退到 CPU。

适用人群

• Node.js 开发者：构建 CLI、桌面软件或需要本地文本识别的服务器端应用的开发者。
• C++ 开发者：需要 OCR 集成的原生静态库的开发者。
• AI 代理：该项目包含一个「代理技能」，帮助 AI 代理在收据提取或验证等任务中，判断何时使用确定性 OCR 而非多模态模型。

主要亮点

• 零配置：一次 npm install 即可获得全部（模型、运行时、PDF 渲染器和字体），无需二次下载。
• 本地化与隐私：所有处理都在设备上完成，确保数据隐私。
• 硬件加速：原生支持 Core ML 和 WebGPU，相比 CPU 执行有显著性能提升。
• 灵活输入：支持 PDF、JPEG、PNG 和原始像素缓冲区（GRAY8、RGB8、BGR8、RGBA8）。
• 多级模型：提供 Small（稳定）、Tiny（超轻量）、Medium（质量导向）三种模型选项。
• 分块模式：可选模式，用于在高分辨率图像中保留小而密集的文本。