Popüler açık kaynaklı OCR modelleri ve çalışma biçimleri

Bu makalede ele alınan kavramları görsel olarak adım adım görmek için aşağıdaki videoyu izle.

Birçok işletme ve dijital sistem; taranmış faturalar, kimlik kartları veya el yazısıyla doldurulmuş formlar gibi belgelerdeki bilgilere dayanır. Ancak bu bilgiler görüntü olarak saklandığında, bilgisayarların çeşitli görevler için bunları araması, çıkarması veya kullanması zorlaşır.

Bununla birlikte, makinelerin görsel bilgileri yorumlayıp anlamasını sağlayan bir yapay zekâ alanı olan bilgisayarlı görü gibi araçlar sayesinde, görüntüleri metne dönüştürmek çok daha kolay hâle geliyor. Özellikle Optik Karakter Tanıma (OCR), metni algılamak ve çıkarmak için kullanılabilen bir bilgisayarlı görü teknolojisidir.

OCR modelleri, çeşitli biçimlerdeki metinleri tanıyıp düzenlenebilir ve aranabilir verilere dönüştürmek üzere eğitilir. Belge otomasyonu, kimlik doğrulama ve gerçek zamanlı tarama sistemlerinde yaygın olarak kullanılırlar.

Bu makalede OCR modellerinin nasıl çalıştığını, popüler açık kaynaklı modelleri, kullanım alanlarını, yaygın uygulamaları ve gerçek dünyada kullanım için önemli noktaları inceleyeceğiz.

OCR nedir?#

OCR modelleri, tıpkı basılı veya el yazısı metinleri okumamız gibi, makinelerin görsel kaynaklardaki metinleri okumasına yardımcı olmak üzere tasarlanmıştır. Bu modeller taranmış belgeler, görüntüler veya el yazısı notların fotoğrafları gibi girdileri alıp aranabilen, düzenlenebilen veya yazılım sistemlerinde kullanılabilen dijital metne dönüştürür.

Önceki OCR sistemleri katı şablonlara bağlıyken, modern OCR modelleri metni tanımak için derin öğrenmeden yararlanır. Düşük kaliteli görüntülerle çalışırken farklı yazı tiplerini, dilleri ve hatta okunaksız el yazılarını kolayca tanıyabilirler. Bu gelişmeler, OCR modellerini finans, sağlık, lojistik ve kamu hizmetleri gibi metin yoğun sektörlerde otomasyonun temel bileşenlerinden biri hâline getirmiştir.

OCR modelleri, metnin açık ve düzenli olduğu görüntülerde başarılı olsa da metin karmaşık görsellerle birlikte veya dinamik sahnelerde yer aldığında zorluk yaşayabilir. Bu durumlarda OCR modelleri, Ultralytics YOLO11 gibi bilgisayarlı görü modelleriyle birlikte kullanılabilir.

Ultralytics YOLO11; görüntüdeki tabela, belge veya etiket gibi belirli nesneleri algılayabilir ve OCR gerçek içeriği çıkarmadan önce metin bölgelerinin yerini belirlemeye yardımcı olabilir. Total-Text gibi veri kümeleri, YOLO11'i doğal sahnelerdeki metin bölgelerini bulacak şekilde eğitmek için kullanılabilir.

Örneğin, otonom araçlarda Ultralytics YOLO11 bir dur işaretini algılayabilir, ardından OCR metni okuyarak sistemin hem nesneyi hem de anlamını doğru biçimde yorumlamasını sağlayabilir.

Şekil 1. OCR kullanımına bir örnek (kaynak).

OCR modellerinin çalışma biçimine genel bakış#

OCR'nin ne olduğunu ele aldığımıza göre, şimdi OCR modellerinin gerçekte nasıl çalıştığına daha yakından bakalım.

OCR modeli bir görüntüdeki metni okumak ve çıkarmak için kullanılmadan önce, görüntü genellikle iki önemli aşamadan geçirilir: ön işleme ve nesne algılama.

Önce görüntü, ön işleme yoluyla temizlenir ve iyileştirilir. Görüntünün genel kalitesini artırmak ve metnin algılanmasını kolaylaştırmak için keskinleştirme, gürültü azaltma, parlaklığı veya kontrastı ayarlama gibi temel görüntü işleme teknikleri uygulanır.

Ardından nesne algılama gibi bilgisayarlı görü görevleri kullanılır. Bu adımda, metin içeren belirli ilgi nesneleri (örneğin plakalar, sokak tabelaları, formlar veya kimlik kartları) konumlandırılır. Sistem, bu nesneleri belirleyerek anlamlı metinlerin bulunduğu alanları ayrıştırır ve tanımaya hazırlar.

OCR modeli ancak bu aşamalardan sonra çalışmaya başlar. Önce algılanan bölgeleri alıp karakterleri, sözcükleri veya metin satırlarını tek tek belirleyerek daha küçük parçalara ayırır.

Model, derin öğrenme tekniklerini kullanarak harflerin şekillerini, desenlerini ve aralıklarını analiz eder; bunları eğitim sırasında öğrendikleriyle karşılaştırır ve en olası karakterleri tahmin eder. Ardından tanınan karakterleri daha ileri işlemler için tutarlı bir metin hâlinde yeniden oluşturur.

Şekil 2. OCR'nin nasıl çalıştığını anlama. Görselin sahibi: yazar.

Popüler açık kaynaklı OCR modelleri#

Metin çıkarma içeren bir bilgisayarlı görü uygulaması geliştirirken doğru OCR modelini seçmek; doğruluk, dil desteği ve gerçek dünya sistemlerine ne kadar kolay entegre edilebildiği gibi etkenlere bağlıdır.

Günümüzde birçok açık kaynaklı model, geliştiricilerin ihtiyaç duyduğu esnekliği, güçlü topluluk desteğini ve güvenilir performansı sunuyor. En popüler seçeneklerden bazılarını ve öne çıkan özelliklerini inceleyelim.

Tesseract OCR#

Tesseract, günümüzde mevcut olan en yaygın açık kaynaklı OCR modellerinden biridir. İlk olarak 1985 ile 1994 yılları arasında İngiltere'nin Bristol kentinde ve Colorado'daki Greeley'de Hewlett-Packard Laboratories tarafından geliştirildi. HP, Tesseract'ı 2005'te açık kaynaklı yazılım olarak yayımladı; 2006'dan Ağustos 2017'ye kadar Google tarafından geliştirildi ve açık kaynak topluluğu katkı sunmayı sürdürdü.

Tesseract'ın temel özelliklerinden biri, 100'den fazla dili işleyebilmesidir; bu da onu çok dilli projeler için güvenilir bir seçenek yapar. Sürekli iyileştirmeler, özellikle form ve rapor gibi düzenli belgelerde basılı metni okuma güvenilirliğini artırmıştır.

Şekil 3. Tesseract OCR kullanarak metin tanıma (kaynak).

Tesseract; fatura tarama, evrak arşivleme veya standart düzenlere sahip belgelerden metin çıkarma projelerinde yaygın olarak kullanılır. Belge kalitesi iyi olduğunda ve düzen önemli ölçüde değişmediğinde en iyi performansı gösterir.

EasyOCR#

Benzer şekilde, EasyOCR, Jaided AI tarafından geliştirilen Python tabanlı, açık kaynaklı bir OCR kütüphanesidir. Latin, Çince, Arapça ve Kiril alfabeleri dâhil 80'den fazla dili desteklediği için çok dilli metin tanımada çok yönlü bir araçtır.

EasyOCR; düzeni, yazı tipi veya yapısı farklılık gösteren belgelerde iyi çalışır. Bu esneklik, karma dilli girdiler içeren makbuzlar, sokak tabelaları ve formlar gibi çeşitli kaynaklardan metin çıkarmak için onu harika bir seçenek hâline getirir.

PyTorch üzerine kurulu EasyOCR, metin algılama ve tanıma doğruluğunu artırmak için derin öğrenme tekniklerinden yararlanır. Hem CPU'larda hem de GPU'larda verimli çalışarak göreve göre ölçeklenebilir; ister yerel olarak birkaç görüntü işlesin ister daha güçlü sistemlerde büyük dosya gruplarını ele alsın.

Açık kaynaklı bir araç olan EasyOCR, düzenli güncellemelerden ve topluluk odaklı iyileştirmelerden yararlanır; bu sayede güncel kalır ve çok çeşitli gerçek dünya OCR ihtiyaçlarına uyum sağlar.

PaddleOCR#

PaddleOCR, Baidu tarafından geliştirilen ve metin algılama ile tanımayı tek, verimli bir işlem hattında birleştiren yüksek performanslı bir OCR araç setidir. 80 dili desteklediğinden fişler, tablolar ve formlar gibi karmaşık belgeleri işleyebilir.

PaddleOCR'yi farklı kılan, PaddlePaddle derin öğrenme çerçevesi üzerine kurulmuş olmasıdır. PaddlePaddle çerçevesi, yapay zekâ modellerinin kolay, güvenilir ve ölçeklenebilir biçimde geliştirilmesi ve dağıtılması için tasarlanmıştır. Ayrıca PaddleOCR, düşük kaliteli veya karmaşık görüntülerde bile yüksek doğruluk sunar; bu da onu hassasiyet ve güvenilirliğin önemli olduğu gerçek dünya OCR görevleri için iyi bir seçenek yapar.

Şekil 4. PaddleOCR'nin iş akışı (kaynak).

Bunun yanı sıra PaddleOCR son derece modülerdir; geliştiricilerin belirli algılama, tanıma ve sınıflandırma bileşenlerini seçerek işlem hatlarını özelleştirmesine olanak tanır. İyi belgelenmiş Python API'leri ve güçlü topluluk desteğiyle çok çeşitli OCR uygulamaları için esnek ve üretime hazır bir çözümdür.

Diğer popüler açık kaynaklı OCR modelleri#

Yaygın olarak kullanılan diğer bazı açık kaynaklı OCR modelleri şunlardır:

• MMOCR: Daha karmaşık projeler için tasarlanan MMOCR, metni algılamanın yanı sıra sayfa üzerindeki düzenini de anlayabilir. Tablolar, çok sütunlu düzenler ve görsel açıdan karmaşık diğer belgelerle çalışmak için idealdir.
• TrOCR: Özellikle metin dizilerini anlamada başarılı olan bir derin öğrenme modeli türü olan Transformer'lar üzerine kurulu TrOCR, tek satırlık görüntülerdeki basılı ve el yazısı metinleri tanır. İçeriğin yalıtılmış etiketlerden ziyade kesintisiz bir dil gibi okunduğu durumlarda güvenilir bir seçenektir.

OCR modellerinin yaygın kullanım alanları#

OCR teknolojisi geliştikçe rolü temel dijitalleştirmenin çok ötesine geçti. Nitekim OCR modelleri, metinsel bilgilere dayanan çeşitli sektörlerde artık kullanılıyor. OCR'nin günümüzde gerçek dünya sistemlerinde uygulandığı bazı alanlara göz atalım:

• Hukuk sektörü ve elektronik belge incelemesi: Hukuk büroları, binlerce sayfalık hukuki belgeyi taramak; sözleşmeleri, mahkeme başvurularını ve kanıtları daha hızlı inceleme ve analiz için aranabilir hâle getirmek üzere OCR kullanır.
• Sağlık hizmetleri: Hastaneler, hasta kayıtlarını dijitalleştirmek, el yazısıyla yazılmış reçeteleri yorumlamak ve laboratuvar raporlarını verimli biçimde yönetmek için OCR modelleri kullanıyor. Bu, idari işleri kolaylaştırırken tıbbi iş akışlarının genelinde doğruluğu artırıyor.
• Tarihî mirasın korunması: Müzeler, kütüphaneler ve arşivler; eski kitapları, el yazmalarını ve gazeteleri dijitalleştirmek, değerli kültürel mirası korumak ve araştırmacıların bu içeriklerde arama yapabilmesini sağlamak için OCR kullanır.
• Kimlik ve pasaport doğrulama: Birçok dijital kayıt ve seyahat sistemi, devlet tarafından düzenlenen belgelerdeki temel verileri çıkarmak için OCR'ye dayanır. Daha hızlı kimlik kontrolleri ve daha az elle veri girişi hatası, daha sorunsuz bir kullanıcı deneyimi ve daha yüksek güvenlik sağlar.

Şekil 5. Pasaport kimlik doğrulaması için OCR tabanlı tarayıcı (kaynak).

OCR modellerinin artıları ve eksileri#

OCR modelleri 1950'lerde ilk kez ortaya çıktıklarından bu yana çok gelişti. Artık daha erişilebilir, doğru ve farklı içeriklere ve platformlara uyarlanabilir durumdalar. Günümüz OCR modellerinin sunduğu başlıca avantajlar şunlardır:

• Erişilebilirliği artırır: OCR, basılı içeriği görme engelli kullanıcılar için ekran okuyucuların okuyabileceği biçimlere dönüştürerek içeriğin daha erişilebilir olmasına yardımcı olur.
• Makine öğrenmesi işlem hatlarını geliştirir: Yapılandırılmamış görsel verileri yapılandırılmış metne dönüştüren bir köprü görevi görür ve bu metni sonraki aşamalardaki makine öğrenmesi modellerinin kullanabilmesini sağlar.
• Şablonsuz çıkarım: Gelişmiş OCR artık katı şablonlara ihtiyaç duymaz; belgelerin düzeni değişse bile bilgi çıkarabilir.

Avantajlarına rağmen OCR modelleri, özellikle girdi kusursuz olmadığında hâlâ bazı zorluklarla karşılaşır. Göz önünde bulundurman gereken bazı yaygın sınırlamalar şunlardır:

• Görüntü kalitesine duyarlılık: OCR en iyi sonucu net görüntülerde verir; bulanık veya karanlık fotoğraflar sonuçları etkileyebilir.
• Bazı el yazıları veya yazı tiplerinde zorlanır: Süslemeli ya da okunaksız yazılar en iyi modelleri bile şaşırtabilir.
• Son işlem hâlâ gerekir: Doğruluğu yüksek olsa bile OCR çıktılarının çoğu zaman, özellikle kritik belgelerde, insanlar tarafından gözden geçirilmesi veya düzeltilmesi gerekir.

Önemli çıkarımlar#

OCR, bilgisayarların görüntülerdeki metinleri okumasını sağlayarak bu bilgilerin dijital sistemlerde kullanılmasını mümkün kılar. Belgeleri, tabelaları ve el yazısı notları işlemede önemli bir rol oynar; hız ve doğruluğun kritik olduğu alanlarda büyük etki yaratır.

OCR modelleri, görüntülerdeki nesneleri algılayabilen Ultralytics YOLO11 gibi modellerle de sık sık birlikte çalışır. Birlikte kullanıldıklarında sistemlerin hem ne yazdığını hem de yazının nerede bulunduğunu anlamasını sağlarlar. Bu teknolojiler gelişmeye devam ettikçe OCR, makinelerin dünyayı yorumlama ve dünyayla etkileşim kurma biçiminin temel bir parçası hâline geliyor.

Görsel yapay zekâya meraklı mısın? Keşfetmeye devam etmek için GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözüm sayfalarımızda otonom araçlarda yapay zekâ ve tarımda görsel yapay zekâ gibi yenilikler hakkında bilgi edin. Lisans seçeneklerimize göz at ve bir bilgisayarlı görü projesine başla!