项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-08-24 · 当前星标 ★ 3285
使用教程
环境要求
- Python3 环境(项目为 Python3 工具)
- 可用的 pip 包管理工具
- 网络可访问 PyPI;下载慢时可指定镜像源
- 如需识别英文和简体中文之外的语言,需额外安装 multilingual 支持
安装与启动步骤
-
1确认 Python 环境
Pix2Text 是 Python3 工具,先确认本机已安装 Python3 与 pip。README 未给出具体版本号要求。
python --version pip --version -
2安装 Pix2Text
README 给出的最简安装方式,一条命令即可完成基础安装(默认支持英文和简体中文)。
pip install pix2text -
3安装多语言支持
如果需要识别英文和简体中文之外的语言,用这条命令安装额外的语言包。
pip install pix2text[multilingual] -
4使用镜像源加速
安装较慢时可指定安装源,README 以阿里云源为例,适用于上述各条安装命令。
pip install pix2text -i https://mirrors.aliyun.com/pypi/simple -
5安装 VLM 支持
V1.1.3 起支持基于 VLM 接口的 VlmTableOCR 与 VlmTextFormulaOCR,可调用闭源 VLM 模型。
pip install pix2text[vlm]
如何确认成功
导入 pix2text 无报错即安装成功(如 python -c "import pix2text");具体使用请按官方文档 Usage 页面操作。
常见问题
Q:安装速度很慢怎么办?
A:可在命令后指定安装源,README 示例为阿里云源:pip install pix2text -i https://mirrors.aliyun.com/pypi/simple。
Q:能识别英文和简体中文之外的语言吗?
A:可以,需要额外安装语言包:pip install pix2text[multilingual],README 说明该命令用于安装额外包。
Q:想用闭源 VLM 模型做表格或文字公式识别?
A:安装 pip install pix2text[vlm],可基于 LiteLLM 接口使用 VLM 模型,示例见 tests/test_vlm.py 与 tests/test_pix2text.py。
Q:安装后怎么使用?
A:README 未在本节给出使用代码,请参考官方文档 Usage 页面:https://pix2text.readthedocs.io/zh-cn/stable/usage/。
注意事项
- 以上安装命令均直接来自 README 的 Install 章节。
- V1.1.4 起默认配置、文档与示例统一使用 mfd-1.5 与 mfr-1.5 模型。
- 不想本地安装可先试用官网在线服务:https://p2t.breezedeus.com。
- 更多安装细节见官方文档 Install 页面:https://pix2text.readthedocs.io/zh-cn/stable/install/。
核心亮点
- 支持版面、表格、公式、文字一站式识别,直接输出 Markdown,流程完整
- 模型体积小,可本地部署,无需依赖云端服务,保护数据隐私
- 支持 80+ 语言,覆盖广泛,适合多语言文档处理
不足之处
- 复杂表格和手写公式的识别准确率可能不及商业产品(如 Mathpix)
- 文档和社区生态相对较小,示例和教程有待丰富
适用场景
- 学术论文和书籍的数字化,将扫描版 PDF 转为可编辑 Markdown
- 教育场景中,教师或学生将板书、讲义图片转为文本笔记
- 科研人员快速提取论文中的公式和表格,用于写作或二次编辑
替代项目
Mathpix、Tesseract OCR、LaTeX-OCR
上一篇:OpenCVTutorials
下一篇:clearcam
同类项目推荐
receipt-ocr
开源
拍张票据照片,自动提取金额日期等关键字段
An efficient OCR engine for receipt image processing.
SwapNet
开源
上传人物和衣服照片,一键生成试穿效果
Virtual Clothing Try-on with Deep Learning. PyTorch reproduction of SwapNet by Raj e···
eomt
开源
仅编码器搞定图像分割,又快又准
[CVPR 2025 Highlight] Official code and models for Encoder-only Mask Transformer (Eo···
Unlimited-OCR
开源
一张长图一次推理,整页文字结构直接出
Unlimited OCR Works: Welcome the Era of One-shot Long-horizon Parsing.
Weighted-Boxes-Fusion
开源
多模型检测结果融合,提升目标检测精度
Set of methods to ensemble boxes from different object detection models, including i···
UniGoal
开源
让机器人零训练看懂世界,直接找目标
[CVPR 2025] UniGoal: Towards Universal Zero-shot Goal-oriented Navigation
VSLAM-LAB
开源
一条命令跑通多种 VSLAM 算法与数据集对比
A Comprehensive Framework for Visual SLAM Systems and Datasets
yolo-inference
开源
一套代码跑通十余代 YOLO 推理
C++ and Python implementations of YOLOv3, YOLOv4, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YO···
EscherNet
开源
从几张照片生成任意视角新图,3D重建更轻松
[CVPR2024 Oral] EscherNet: A Generative Model for Scalable View Synthesis
