arcships/light-ocr

解決的問題

light-ocr 為 Node.js 與 C++ 應用程式提供快速且離線的光學字元辨識（OCR）解決方案。它無需外部 API 呼叫或複雜的系統層依賴，讓開發者能在本地機器上直接辨識影像（JPEG、PNG）與 PDF 中的文字。

工作原理

此專案預設使用 PP-OCRv6 Small 模型，並整合 PDFium 用於文件渲染。以單一 npm 套件形式發行，內含 OCR 執行時、模型與必要字型，無需安裝後下載或編譯器。

為優化效能，會自動偵測硬體加速：在 Apple Silicon（macOS 15+）上使用 Core ML，在 Linux 與 Windows 上使用 WebGPU（透過 Vulkan 或 D3D12），否則回退至 CPU。

適用對象

• Node.js 開發者：開發 CLI、桌面軟體或需要本地文字辨識的伺服器端應用的開發者。
• C++ 開發者：需要 OCR 集成之原生靜態函式庫的開發者。
• AI 代理：此專案包含「代理技能」，協助 AI 代理在收據提取或驗證等任務中，判斷何時使用確定性 OCR 而非多模態模型。

主要特色

• 零設定：一次 npm install 即可取得全部（模型、執行時、PDF 渲染器與字型），無需二次下載。
• 本地化與隱私：所有處理皆在裝置上完成，確保資料隱私。
• 硬體加速：原生支援 Core ML 與 WebGPU，相比 CPU 執行有顯著加速。
• 靈活輸入：支援 PDF、JPEG、PNG 與原始像素緩衝區（GRAY8、RGB8、BGR8、RGBA8）。
• 多階模型：提供 Small（穩定）、Tiny（超輕量）、Medium（品質導向）三種模型選項。
• 分塊模式：可選模式，用於在高解析度影像中保留小而密集的文字。