ChineseOCR Lite | 超轻量中文OCR4.7M 总模型多端跑通【免费下载链接】chineseocr_lite超轻量级中文ocr支持竖排文字识别, 支持ncnn、mnn、tnn推理 ( dbnet(1.8M) crnn(2.5M) anglenet(378KB)) 总模型仅4.7M项目地址: https://gitcode.com/gh_mirrors/ch/chineseocr_lite如果你的产品里想加一个中文OCR能力还希望它能在手机和嵌入式设备上跑起来ChineseOCR Lite 值得看一眼检测、识别、方向三个模型总共 4.7M支持竖排文字纯 CPU 推理。 不想在手机上塞几百 MB 的 OCR 时给项目加识别功能通常先被推荐的是大模型但包体几百 MB、要部署在服务器上、还得依赖网络手机和嵌入式设备基本用不了。中文识别还多一层麻烦竖排、倒置的文字很常见只能识别横排字体的模型会卡掉一半样本。ChineseOCR Lite 解决的就是这件事整条链路 4.7M能直接塞进 App离线可跑方向判断内置。它是怎么做到的三个模型串联各管一步DBNet 检测1.8M负责在图片里找到文字的位置输出坐标框。CRNN 识别2.5M逐框裁剪后识别框内内容循环层负责处理字符的先后顺序。AngleNet 方向378KB判断这行字是不是倒着的倒置就自动转正这就是竖排文字支持能力的来源。三个模型有 ONNX、NCNN、MNN 三种版本仓库里还带 C、Android、JVM、.NET 的参考工程。能用起来的落地场景手机上离线识别Android Demo 可直接识别设备 IMEI 和车牌模型就在包内不依赖网络。浏览器 Demo跑一下 backend/main.py 打开 8089 端口上传图片即可识别。批处理调用CLI 输出稳定的 JSON含全文、置信度与坐标框方便脚本和 agent 解析。字符级定位可定位到单个字符的位置适合校对与关键词提取。⚡ 三行命令接入 OCR 流程pip install -r requirements.txt并pip install -e .之后执行chineseocr test_imgs/res.jpg即输出 JSON 结果。详见 README.md识别入口在 model.py。核心优势模型总体积dbnet 1.8M crnn 2.5M anglenet 378KB合计 4.7M同类检测加识别的两段方案通常要几十 MB 起步。纯 CPU 推理不需要 GPU支持 ONNX Runtime、NCNN、MNN 后端低端手机和嵌入式设备也能跑。多端现成附带 C、Android、JVM、.NET 参考工程不止 Python 一种用法。适合谁不适合谁适合想把中文OCR塞进 App 或嵌入式设备、对包体敏感的团队也适合没有 GPU 服务器、只想写个 Python 文字识别脚本做批处理的小组装完就能跑。但对追求手写体、低分辨率照片等复杂场景极致精度的人4.7M 的模型体量决定了精度有上限选更大的模型更合适需要 GPU 集群每分钟处理上万张图的高吞吐场景它同样不是最优解。先 clone 仓库跑一遍git clone https://gitcode.com/gh_mirrors/ch/chineseocr_litetest_imgs 里任选一张图都能直接识别。遇到认错的字符欢迎提 issue。【免费下载链接】chineseocr_lite超轻量级中文ocr支持竖排文字识别, 支持ncnn、mnn、tnn推理 ( dbnet(1.8M) crnn(2.5M) anglenet(378KB)) 总模型仅4.7M项目地址: https://gitcode.com/gh_mirrors/ch/chineseocr_lite创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/8/22 0:58:23 · 阅读 1.2k ChineseOCR Lite | 超轻量中文OCR：4.7M 总模型，多端跑通
ChineseOCR Lite | 超轻量中文OCR4.7M 总模型多端跑通【免费下载链接】chineseocr_lite超轻量级中文ocr支持竖排文字识别, 支持ncnn、mnn、tnn推理 ( dbnet(1.8M) crnn(2.5M) anglenet(378KB)) 总模型仅4.7M项目地址: https://gitcode.com/gh_mirrors/ch/chineseocr_lite如果你的产品里想加一个中文OCR能力还希望它能在手机和嵌入式设备上跑起来ChineseOCR Lite 值得看一眼检测、识别、方向三个模型总共 4.7M支持竖排文字纯 CPU 推理。 不想在手机上塞几百 MB 的 OCR 时给项目加识别功能通常先被推荐的是大模型但包体几百 MB、要部署在服务器上、还得依赖网络手机和嵌入式设备基本用不了。中文识别还多一层麻烦竖排、倒置的文字很常见只能识别横排字体的模型会卡掉一半样本。ChineseOCR Lite 解决的就是这件事整条链路 4.7M能直接塞进 App离线可跑方向判断内置。它是怎么做到的三个模型串联各管一步DBNet 检测1.8M负责在图片里找到文字的位置输出坐标框。CRNN 识别2.5M逐框裁剪后识别框内内容循环层负责处理字符的先后顺序。AngleNet 方向378KB判断这行字是不是倒着的倒置就自动转正这就是竖排文字支持能力的来源。三个模型有 ONNX、NCNN、MNN 三种版本仓库里还带 C、Android、JVM、.NET 的参考工程。能用起来的落地场景手机上离线识别Android Demo 可直接识别设备 IMEI 和车牌模型就在包内不依赖网络。浏览器 Demo跑一下 backend/main.py 打开 8089 端口上传图片即可识别。批处理调用CLI 输出稳定的 JSON含全文、置信度与坐标框方便脚本和 agent 解析。字符级定位可定位到单个字符的位置适合校对与关键词提取。⚡ 三行命令接入 OCR 流程pip install -r requirements.txt并pip install -e .之后执行chineseocr test_imgs/res.jpg即输出 JSON 结果。详见 README.md识别入口在 model.py。核心优势模型总体积dbnet 1.8M crnn 2.5M anglenet 378KB合计 4.7M同类检测加识别的两段方案通常要几十 MB 起步。纯 CPU 推理不需要 GPU支持 ONNX Runtime、NCNN、MNN 后端低端手机和嵌入式设备也能跑。多端现成附带 C、Android、JVM、.NET 参考工程不止 Python 一种用法。适合谁不适合谁适合想把中文OCR塞进 App 或嵌入式设备、对包体敏感的团队也适合没有 GPU 服务器、只想写个 Python 文字识别脚本做批处理的小组装完就能跑。但对追求手写体、低分辨率照片等复杂场景极致精度的人4.7M 的模型体量决定了精度有上限选更大的模型更合适需要 GPU 集群每分钟处理上万张图的高吞吐场景它同样不是最优解。先 clone 仓库跑一遍git clone https://gitcode.com/gh_mirrors/ch/chineseocr_litetest_imgs 里任选一张图都能直接识别。遇到认错的字符欢迎提 issue。【免费下载链接】chineseocr_lite超轻量级中文ocr支持竖排文字识别, 支持ncnn、mnn、tnn推理 ( dbnet(1.8M) crnn(2.5M) anglenet(378KB)) 总模型仅4.7M项目地址: https://gitcode.com/gh_mirrors/ch/chineseocr_lite创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考