基于 GLM-4V-9B 模型的高精度 OCR 图片文字识别工具，支持前后端分离架构，提供 GUI 界面和 RESTful API 服务。
- 🖼️ 多种识别模式：文本识别、文档解析、表格识别、公式识别、二维码识别
- 📄 PDF 文档识别：支持将 PDF 文档逐页转换并识别
- 📸 截图识别：快捷键
Ctrl+Shift+S快速截图识别 - 📋 剪贴板识别：直接识别剪贴板中的图片
- 📁 批量处理：支持批量识别多张图片或整个文件夹
- 🎨 二维码生成：支持生成二维码图片
- 🔌 API 服务器：提供 RESTful API 供外部程序调用
- 🌐 远程模式：UI 可调用其他机器的 OCR 服务
- 🖥️ 本地模式：传统的本地模型直接推理
- 🔄 混合模式：GUI + API 服务器同时运行
- 📚 自动文档：Swagger UI 自动生成 API 文档
- 🌍 多语言支持：简体中文、繁体中文、English、Français、Deutsch、日本語、Italiano、Русский
- 🎛️ 动态配置：实时调整 Token 数量、识别类型
- 💾 自动保存：设置自动保存，无需手动点击
- 🔔 提示通知：Toast 风格提示信息
- 🎨 现代化 UI：基于 CustomTkinter 的美观界面
- ⚡ 量化支持：8bit/4bit 量化降低内存占用
- 🧠 智能缓存：推理后自动清理显存
- 🔀 并发控制：API 服务器支持并发处理，防止 OOM
- 📊 进度反馈：批量识别实时显示进度
- Python 3.8 或更高版本
- Windows / Linux / macOS
- （可选）NVIDIA GPU 支持 CUDA 12.6
git clone https://github.com/your-repo/glm-ocr.git
cd glm-ocr基础依赖（GUI 模式）：
pip install -r requirements.txt完整依赖（包含 API 服务器）：
pip install -r requirements.txt
pip install fastapi uvicorn[standard] httpx pydantic python-multipart方式 1：自动下载（首次运行时自动从 HuggingFace 下载）
python main.py
# 点击"加载模型"按钮，程序会自动下载方式 2：手动下载（推荐，支持离线使用）
# 下载到 ./models/GLM-OCR 目录
git lfs clone https://huggingface.co/zai-org/GLM-OCR ./models/GLM-OCR修改 config.json：
{
"model": {
"use_local_only": true,
"local_path": "./models/GLM-OCR"
}
}
python main.py启动后：
- 点击"加载模型"按钮加载 GLM-OCR 模型
- 选择识别模式（文本识别/文档解析/表格识别/公式识别）
- 使用以下方式之一识别图片：
- 点击"截图 OCR"或按
Ctrl+Shift+S截图识别 - 点击"剪贴板 OCR"或按
Ctrl+V识别剪贴板图片 - 点击"选择图片"或按
Ctrl+O选择本地图片
- 点击"截图 OCR"或按
启动服务器：
python main.py --server服务器启动后访问：
自定义地址和端口：
python main.py --server --host 0.0.0.0 --port 8080python main.py --with-server同时启动 GUI 界面和 API 服务器，适合个人使用时对外提供 API 服务。
| 端点 | 方法 | 功能 | 说明 |
|---|---|---|---|
/api/health |
GET | 健康检查 | 返回服务状态 |
/api/status |
GET | 模型状态 | 返回模型是否已加载 |
/api/recognize |
POST | 单图识别 | 识别单张图片 |
/api/model/load |
POST | 加载模型 | 手动触发模型加载 |
/api/model/unload |
POST | 卸载模型 | 释放内存 |
Python 示例：
import requests
import base64
# 读取图片
with open("test.png", "rb") as f:
image_b64 = base64.b64encode(f.read()).decode()
# 发送识别请求
response = requests.post("http://127.0.0.1:8000/api/recognize", json={
"image_base64": image_b64,
"prompt": "Text Recognition:",
"max_new_tokens": 2048
})
result = response.json()
if result["success"]:
print("识别结果:", result["text"])
print("处理时间:", result["processing_time"], "秒")
else:
print("识别失败:", result["error"])
curl 示例：
# Linux/macOS
IMAGE_B64=$(base64 -w 0 test.png)
# Windows PowerShell
$IMAGE_B64 = [Convert]::ToBase64String([IO.File]::ReadAllBytes("test.png"))
# 发送请求
curl -X POST http://127.0.0.1:8000/api/recognize \
-H "Content-Type: application/json" \
-d "{\"image_base64\": \"$IMAGE_B64\", \"prompt\": \"Text Recognition:\", \"max_new_tokens\": 2048}"JavaScript 示例：
// 读取图片文件
const fileInput = document.getElementById('fileInput');
const file = fileInput.files[0];
// 转换为 Base64
const reader = new FileReader();
reader.onload = async function(e) {
const base64 = e.target.result.split(',')[1];
// 发送请求
const response = await fetch('http://127.0.0.1:8000/api/recognize', {
method: 'POST',
headers: {
'Content-Type': 'application/json',
},
body: JSON.stringify({
image_base64: base64,
prompt: 'Text Recognition:',
max_new_tokens: 2048
})
});
const result = await response.json();
console.log('识别结果:', result.text);
};
reader.readAsDataURL(file);成功响应：
{
"success": true,
"text": "识别出的文本内容",
"error": null,
"processing_time": 1.23,
"timestamp": "2026-02-09T12:34:56"
}
失败响应：
{
"success": false,
"text": null,
"error": "模型未加载",
"processing_time": 0.01,
"timestamp": "2026-02-09T12:34:56"
}
| Prompt | 说明 | 适用场景 |
|---|---|---|
Text Recognition: |
文本识别 | 普通文字、手写文字 |
Document Parsing: |
文档解析 | 结构化文档、段落识别 |
Table Recognition: |
表格识别 | 表格数据提取 |
Formula Recognition: |
公式识别 | 数学公式、化学式 |
配置文件：config.json
{
"model": {
"name": "zai-org/GLM-OCR", // HuggingFace 模型名称
"local_path": "./models/GLM-OCR", // 本地模型路径（优先级更高）
"device": "auto", // 运行设备：auto/cuda/cpu
"quantization": "none", // 量化：none/8bit/4bit
"max_new_tokens": 2048, // 默认最大生成 Token 数
"max_new_tokens_limit": 8192, // Token 上限
"use_local_only": true // 离线模式
}
}
{
"api": {
"enabled": false, // 是否启用 API 服务器
"host": "127.0.0.1", // 监听地址
"port": 8000, // 监听端口
"mode": "local", // 客户端模式：local/remote
"remote_url": "http://127.0.0.1:8000", // 远程服务地址
"auto_load_model": true, // API 启动时自动加载模型
"max_image_size_mb": 10 // 最大图片大小（MB）
}
}
{
"ui": {
"language": "简体中文", // 界面语言
"screenshot_reminder_disabled": false // 禁用截图成功提示
}
}
{
"batch": {
"output_dir": "./output", // 输出目录
"filename_format": "[OCR]_{name}_{date}", // 文件名格式
"date_format": "%Y%m%d_%H%M%S" // 日期格式
}
}
- 服务器：性能强劲的机器（如 GPU 工作站）运行 API 服务器
- 客户端：轻量级机器（如笔记本）运行 GUI，通过 API 调用服务器
# 启动 API 服务器（允许局域网访问）
python main.py --server --host 0.0.0.0 --port 8000打开 GUI 设置界面：
- 客户端模式 → 选择
remote - 远程地址 → 输入
http://192.168.1.100:8000（替换为服务器 IP） - 点击 测试连接 验证连接状态
- 保存设置
现在客户端的所有识别操作都会通过网络调用服务器的 API。
0.0.0.0 监听时会弹出安全警告：
- 127.0.0.1：仅本机访问（推荐）
- 0.0.0.0：局域网可访问（需要确认）
建议：
- 仅在可信网络环境下使用 0.0.0.0
- 生产环境建议使用反向代理（Nginx）+ HTTPS
- 可选添加 API Token 认证
在 config.json 中配置：
{
"model": {
"quantization": "8bit" // none/8bit/4bit
}
}
| 模式 | 内存占用 | 速度 | 精度 |
|---|---|---|---|
| none | 100% | 最快 | 最高 |
| 8bit | ~50% | 略慢 | 几乎无损 |
| 4bit | ~25% | 较慢 | 略有下降 |
注意：8bit/4bit 模式需要安装 bitsandbytes 库：
pip install bitsandbytes当前快捷键：
Ctrl+Shift+S- 截图识别Ctrl+V- 剪贴板识别Ctrl+O- 选择图片Ctrl+Q- 快速识别
- 切换到"批量 OCR"标签页
- 点击"添加文件"或"添加文件夹"
- （可选）勾选"递归子目录"
- 点击"开始批量识别"
- 结果自动保存到
./output目录
- 切换到"PDF OCR"标签页
- 点击"选择 PDF 文件"
- 等待转换和识别完成
- 点击"保存结果"导出为 Markdown 或 TXT
glm_ocr/
├── api/ # API 服务模块
│ ├── server.py # FastAPI 应用
│ ├── models.py # Pydantic 数据模型
│ └── dependencies.py # 依赖注入
├── core/ # 核心模块
│ ├── Config.py # 配置管理
│ └── OCREngine.py # OCR 引擎
├── services/ # 服务抽象层
│ ├── base.py # OCRService 基类
│ ├── local_service.py # 本地服务
│ └── remote_service.py # 远程服务
├── ui/ # UI 模块
│ ├── MainWindow.py # 主窗口
│ ├── LanguageManager.py # 多语言
│ └── ToastNotification.py # 提示通知
├── utils/ # 工具模块
│ ├── ImageUtils.py # 图片编解码
│ ├── FileUtils.py # 文件操作
│ ├── ClipboardUtils.py # 剪贴板
│ ├── QRCodeUtils.py # 二维码
│ ├── PDFUtils.py # PDF 处理
│ └── ScreenCapture.py # 截图工具
├── main.py # 程序入口
├── config.json # 配置文件
└── requirements.txt # 依赖列表
在 core/OCREngine.py 中添加新的 Prompt：
def get_supported_prompts(self) -> Dict[str, str]:
return {
"text_recognition": "Text Recognition:",
"document_parsing": "Document Parsing:",
"table_recognition": "Table Recognition:",
"formula_recognition": "Formula Recognition:",
"custom_type": "Your Custom Prompt:" # 新增
}
在 ui/LanguageManager.py 中添加翻译：
self.translations = {
"window_title": {
"zh_CN": "GLM-OCR 图片识别",
"en": "GLM-OCR Image Recognition",
"your_lang": "Your Translation" # 新增
},
# ... 其他翻译
}
测试环境：
- CPU: Intel i7-12700K
- GPU: NVIDIA RTX 4060 Ti 16GB
- RAM: 32GB DDR4
- 模型：GLM-4V-9B（float16）
| 场景 | 图片尺寸 | 识别时间 | GPU 显存 |
|---|---|---|---|
| 单张文字图片 | 1920x1080 | ~2-3秒 | ~6GB |
| 复杂表格 | 2560x1440 | ~4-5秒 | ~7GB |
| PDF 文档（10页） | A4 | ~30秒 | ~6GB |
| 批量识别（100张） | 混合 | ~5分钟 | ~6GB |
网络延迟（远程模式，局域网）：
- 上传图片（2MB）：~100ms
- 识别处理：~2-3秒
- 下载结果：~10ms
- 总计：~2.5秒
原因：模型文件缺失或路径错误
解决：
# 检查模型路径
ls ./models/GLM-OCR
# 重新下载模型
git lfs clone https://huggingface.co/zai-org/GLM-OCR ./models/GLM-OCR原因：GPU 显存不足
解决：
- 启用量化模式：
"quantization": "8bit" - 减少 Token 数量：
"max_new_tokens": 1024 - 关闭其他占用 GPU 的程序
原因：防火墙阻止或地址配置错误
解决：
# Windows 防火墙添加规则
netsh advfirewall firewall add rule name="GLM-OCR API" dir=in action=allow protocol=TCP localport=8000
# Linux iptables
sudo iptables -A INPUT -p tcp --dport 8000 -j ACCEPT原因：网络不通或服务器未启动
解决：
- 检查服务器是否运行：
curl http://192.168.1.100:8000/api/health - 检查防火墙规则
- 尝试使用 IP 地址而非域名
原因：图片质量差或类型不匹配
解决：
- 使用更清晰的图片
- 尝试不同的识别类型（文本识别/文档解析）
- 增加 Token 数量
- ✨ 新增前后端分离架构
- ✨ 新增 RESTful API 服务器
- ✨ 新增远程模式支持
- ✨ 新增并发控制和线程池
- ✨ 新增 Swagger API 文档
- 🌍 完善多语言支持（9种语言）
- 🎨 优化设置界面布局
- 🔧 添加 API 配置选项
⚠️ 添加 0.0.0.0 监听安全警告
- 🎉 首次发布
- 支持文本识别、文档解析、表格识别、公式识别
- 支持截图、剪贴板、批量识别
- 支持 PDF 文档识别
- 支持二维码生成和识别
- 多语言界面
本项目采用 MIT 许可证。
- GLM-4V-9B - 核心 OCR 模型
- FastAPI - Web 框架
- CustomTkinter - 现代化 UI 库
- Transformers - 模型推理框架
- 问题反馈：GitHub Issues
- 功能建议：GitHub Discussions
Made with ❤️ by GLM-OCR-ui Team