OCR

OCR متن را از تصاویر، اسکن‌ها و اسکرین‌شات‌های سند استخراج می‌کند.

پس از تشخیص، می‌توانید نتیجه را کپی کنید، آن را به‌صورت Markdown، PDF یا Word خروجی بگیرید، یا چند قالب را با هم در یک بسته برای دانلود آماده کنید.

OCR چه کارهایی انجام می‌دهد

قابلیت	توضیح
تشخیص متن تصویر	متن را از تصاویر، اسکرین‌شات‌ها و اسکن‌ها استخراج می‌کند.
تشخیص چیدمان سند	برای جدول‌ها، فرمول‌ها، مهرها و چیدمان‌های ترکیبی متن و تصویر مناسب‌تر است.
چند سرویس	از Baidu PaddleOCR، Microsoft Azure Vision و Google Vision پشتیبانی می‌کند.
کپی نتایج	متن تشخیص‌داده‌شده را پس از پردازش کپی می‌کند.
خروجی گرفتن از فایل‌ها	Markdown، PDF و Word خروجی می‌گیرد.
بسته‌بندی دسته‌ای	پس از تشخیص چند فایل، نتایج را به‌صورت بسته دانلود می‌کند.

ابتدا سرویس‌های OCR را پیکربندی کنید

باز کنید:

System Settings -> Other Settings -> OCR

اعتبارنامه‌های سرویس‌هایی را که می‌خواهید استفاده کنید وارد کنید:

سرویس	چه چیزی وارد شود	مناسب برای
Baidu PaddleOCR	PaddleOCR Token	گزینه پیشنهادی اول. مناسب اسناد، تصاویر، جدول‌ها و چیدمان‌های ترکیبی.
Microsoft Azure Vision	Azure Vision Endpoint و Azure Vision API Key	اگر از سرویس‌های ابری Microsoft استفاده می‌کنید مفید است.
Google Vision	Google Vision API Key. حساب سرویس JSON فقط برای پرس‌وجوی سهمیه استفاده می‌شود.	اگر از سرویس‌های Google Cloud استفاده می‌کنید مفید است.

پس از وارد کردن اعتبارنامه‌ها ذخیره کنید.

برای آزمایش اولیه، پیکربندی یک سرویس کافی است. لازم نیست هر سه سرویس را داشته باشید.

راه‌اندازی Google Vision

راه‌اندازی Google دو بخش دارد:

هدف	نیازمندی
استفاده از OCR	فعال کردن Cloud Vision API و سپس ساخت API Key.
پرس‌وجوی مصرف	ساخت حساب سرویس، دادن نقش Monitoring Viewer و سپس دانلود JSON حساب سرویس.

استفاده از Google برای OCR

1. Google Cloud Console را باز کنید.
2. به APIs & Services بروید.
3. Library را باز کنید، Cloud Vision API را جست‌وجو و فعال کنید.
4. به Credentials برگردید.
5. یک API Key بسازید.
6. API Key را باز و کپی کنید.
7. آن را در ImgHost داخل Google Vision API Key جای‌گذاری کنید.
8. ذخیره کنید.

پس از آن می‌توانید Google Vision را در گفت‌وگوی OCR انتخاب کنید.

پرس‌وجوی مصرف Google

پرس‌وجوی سهمیه برای خود تشخیص لازم نیست.

این فقط به‌صورت تقریبی نشان می‌دهد در 30 روز گذشته چند فراخوانی Google Vision استفاده شده است.

1. در Google Cloud Console، IAM & Admin را باز کنید.
2. Service Accounts را باز کنید.
3. یک حساب سرویس بسازید، مانند vision-monitor.
4. نقش Monitoring Viewer را به آن بدهید.
5. جزئیات حساب سرویس را باز کنید و یک کلید بسازید.
6. JSON را انتخاب کنید.
7. فایل JSON ساخته‌شده را دانلود کنید.
8. به ImgHost برگردید و آن را در بخش حساب سرویس JSON وارد کنید (اختیاری).
9. پس از موفقیت وارد کردن، روی پرس‌وجوی سهمیه کلیک کنید.

پس از وارد کردن، ImgHost نام پروژه مالک حساب سرویس را نشان می‌دهد. هنگام پرس‌وجوی مصرف، ImgHost داده‌های پایش Google را می‌خواند و تعداد فراخوانی‌های این ماه را نشان می‌دهد.

خلاصه:

مورد	هدف
Google Vision API Key	تشخیص OCR را اجرا می‌کند.
حساب سرویس JSON	تعداد فراخوانی‌های استفاده‌شده از Google Vision را پرس‌وجو می‌کند.
نقش Monitoring Viewer	اجازه می‌دهد حساب سرویس داده‌های مصرف را بخواند.

دریافت Baidu PaddleOCR Token

Baidu PaddleOCR به توکن دسترسی نیاز دارد.

در صفحه Baidu PaddleOCR، پنجره فراخوانی API را باز کنید، برای دریافت توکن کلیک کنید و آن را کپی کنید.

به ImgHost برگردید، آن را در PaddleOCR Token جای‌گذاری کنید و ذخیره کنید.

شروع تشخیص

در مدیریت فایل، یک تصویر یا اسکرین‌شات سند انتخاب کنید و روی OCR کلیک کنید.

در گفت‌وگو، سرویس تشخیص و مدل را انتخاب کنید.

گزینه‌های رایج مدل PaddleOCR:

مدل	مناسب برای
PP-StructureV3	پیش‌فرض پیشنهادی. مناسب اسناد، جدول‌ها، فرمول‌ها، مهرها و چیدمان‌های ترکیبی.
PP-OCRv5	تصاویر ساده، متن معمولی و تشخیص سبک.
PaddleOCR-VL	تصاویر چندزبانه و پیچیده و محتوای شبیه نمودار.
PaddleOCR-VL-1.5	صفحه‌های سند پیچیده‌تر و بازیابی چیدمان.

اگر مطمئن نیستید، با PP-StructureV3 شروع کنید.

گزینه‌های پیشرفته

گزینه	توضیح
اصلاح جهت	وقتی تصویر چرخیده یا کج است استفاده کنید.
صاف‌سازی سند	برای اسناد عکس‌برداری‌شده با خمیدگی یا شیب استفاده کنید.
تشخیص چیدمان	وقتی می‌خواهید عنوان‌ها، بندها، جدول‌ها و ساختار تصویر حفظ شود استفاده کنید.
تشخیص نمودار	وقتی تصویر شامل نمودارها یا ساختارهای پیچیده است استفاده کنید.
زیباسازی Markdown	Markdown خروجی را خواناتر می‌کند.

برای اسکرین‌شات‌های معمولی، گزینه‌ها را حداقلی نگه دارید. برای اسکن‌های سند، گزینه‌های مرتبط با سند را بیشتر فعال کنید.

مشاهده نتایج

پس از پایان تشخیص، گفت‌وگو نتیجه را نشان می‌دهد.

می‌توانید آن را مستقیم کپی کنید یا قالب‌های خروجی را انتخاب کنید.

برای صفحه‌های سند، PDF خروجی می‌تواند ظاهر صفحه را حفظ کند و در عین حال متن را قابل جست‌وجو نگه دارد. این برای بایگانی اسکن‌ها و یافتن محتوا در آینده مفید است.

انتخاب قالب خروجی

قالب	مناسب برای
Markdown (.md)	یادداشت‌ها، سامانه‌های مستندسازی و ویرایش بعدی.
PDF (.pdf)	حفظ ظاهر صفحه و نتایج اسناد اسکن‌شده.
Word (.docx)	ادامه ویرایش چیدمان، تغییر متن و تحویل به دیگران.
خروجی گرفتن از همه	چند قالب و تصویر اصلی را ذخیره می‌کند؛ مناسب بایگانی‌های مهم.

اگر فقط متن لازم دارید، Markdown خروجی بگیرید.

اگر ظاهر صفحه مهم است، از PDF یا Word استفاده کنید.

خروجی Word

اسناد Word خروجی را می‌توان با نرم‌افزارهای اداری باز و ویرایش کرد.

برخی اسناد در خروجی Word شامل تصاویر، عنوان‌ها و بندهای تشخیص‌داده‌شده هستند.

کیفیت تشخیص به وضوح تصویر اصلی، انتخاب مدل و پیچیدگی سند بستگی دارد.

بهترین نوع فایل‌ها برای OCR

نوع فایل	پیشنهاد
اسکرین‌شات‌های واضح	مستقیم تشخیص دهید.
اسکن‌ها	PP-StructureV3 را ترجیح دهید.
اسناد عکس‌برداری‌شده	اصلاح جهت و صاف‌سازی سند را فعال کنید.
جدول‌ها، فرمول‌ها، مهرها	مدل‌های ساختاریافته را ترجیح دهید.
تصاویر ساده با متن کوتاه	PP-OCRv5 معمولاً کافی است.

تصاویر واضح‌تر با متن صاف‌تر معمولاً نتایج بهتری می‌دهند.

موارد رایج

مورد	معنی
تشخیص ناموفق است	بررسی کنید توکن یا کلید سرویس ذخیره شده باشد.
تشخیص کند است	اسناد پیچیده و تصاویر بزرگ زمان بیشتری می‌برند.
جدول ناقص است	یک مدل ساختاریافته امتحان کنید.
متن خطا دارد	تاری، بازتاب نور و کجی خطاهای تشخیص را بیشتر می‌کنند. تصویر واضح‌تری امتحان کنید.
خروجی Word تصاویر زیادی دارد	مدل‌های ساختاریافته ممکن است برخی تصاویر تشخیص‌داده‌شده را حفظ کنند. این طبیعی است.

پرس‌وجوی سهمیه Google ناموفق است

بررسی کنید:

1. حساب سرویس JSON وارد شده باشد.
2. حساب سرویس نقش Monitoring Viewer داشته باشد.
3. Cloud Vision API برای پروژه فعال باشد.

اگر فقط OCR لازم دارید و پرس‌وجوی مصرف نمی‌خواهید، می‌توانید JSON حساب سرویس را نادیده بگیرید و فقط Google Vision API Key را پر کنید.

روند سریع

Open System Settings
-> Open Other Settings
-> Fill OCR service credentials
-> Save
-> Return to File Management
-> Select a file and click OCR
-> Choose a model
-> Wait for recognition
-> Copy results or export Markdown / PDF / Word