सानो देवनागरी OCR नमुना

हामी के बनाउँछौँ

सानो कार्यक्रम जसले छविको बाटो लिन्छ — साइनबोर्डको फोटो, नेपाली लेखको स्क्रिनसट, हस्तलिखित नोटको स्न्याप — र यसमा भएको देवनागरी पाठ प्रिन्ट गर्छ।

Input:  photo of a sign reading "खाजा घर"
Output: "खाजा घर"

बस यति नै। त्यहाँबाट स्पष्ट अर्को कदमहरू — आउटपुट अनुवाद गर्ने, नेपाली कागजात सारांश गर्ने, स्क्यान गरिएका बिलहरूको फोल्डरमा खोज्ने — हप्ता-अन्तमा बनाउन सक्ने साना विस्तार हुन्।

औजार: Tesseract

हामी Tesseract प्रयोग गर्नेछौँ, मूलतः HP ले बनाएको, अनि Google ले, र अब ओपन-सोर्स मर्मतकारीहरूको समुदायले हेरचाह गर्ने पुरानो, राम्रोसँग मर्मत गरिएको, निःशुल्क OCR इन्जिन। यसमा पूर्ण देवनागरी समर्थन छ, सामान्य ल्यापटपमा सजिलैसँग चल्छ, र सफा Python र्‍यापर छ।

नयाँ, ट्रान्सफरमर-आधारित OCR प्रणाली पनि छन् — Microsoft को TrOCR, Meta को Nougat, Google को Cloud Vision API, Anthropic को दृष्टि-सक्षम Claude — र 2026 मा उत्पादन-स्तरीय नेपाली OCR का लागि तीमध्ये एउटाले प्रायः Tesseract लाई हराउँछ। हामी Tesseract प्रयोग गरिरहेका छौँ किनभने यो निःशुल्क छ, अफलाइन चल्छ, र सेट गर्न साँच्चै सरल छ। सिद्धान्तहरू सर्छन्।

स्थापना, दुई भागमा

Tesseract का दुई टुक्रा छन्:

इन्जिन आफै — एउटा प्रणाली कार्यक्रम, Python प्याकेज होइन।

• macOS: brew install tesseract
• Windows: github.com/UB-Mannheim/tesseract/wiki बाट स्थापक डाउनलोड गर्नुहोस्। स्थापनाका बेला, भाषा-छनोट पर्दामा, नेपाली (देवनागरी) जाँचिएको छ निश्चित गर्नुहोस्। यदि छुटाउनुभयो भने, पछि स्थापक फेरि चलाउन सकिन्छ।
• Linux: sudo apt install tesseract-ocr tesseract-ocr-nep (-nep प्याकेजले नेपाली भाषा डाटा थप्छ)।

टर्मिनलमा पुष्टि गर्नुहोस्:

tesseract --version
tesseract --list-langs

दोस्रो आदेशले उपलब्ध भाषाहरूमध्ये nep (नेपाली) र eng (अंग्रेजी) देखाउनुपर्छ। यदि nep छुटेको छ भने, नेपाली डाटा फाइल स्थापित छैन — यो यहाँको सबैभन्दा सामान्य त्रुटि हो।

Python र्‍यापर — सक्रिय भर्चुअल वातावरणमा:

pip install pytesseract Pillow

pytesseract Tesseract को वरिपरि र्‍यापर हो। Pillow Python को मानक छवि-ह्यान्डलिङ पुस्तकालय हो; हामी छवि फाइल लोड गर्न प्रयोग गर्छौँ।

पूरा कार्यक्रम

from PIL import Image
import pytesseract

image_path = "data/signboard.jpg"
img = Image.open(image_path)

text = pytesseract.image_to_string(img, lang="nep")

print(text.strip())

पाँच वास्तविक लाइन। बिस्तारै पढ्नुहोस्:

• Image.open(...) ले डिस्कबाट छवि फाइल लोड गर्छ।
• pytesseract.image_to_string(...) कल हो — यसले छविलाई Tesseract मा पठाउँछ र पहिचान गरिएको पाठ फिर्ता दिन्छ।
• lang="nep" ले Tesseract लाई नेपाली भाषा प्याक प्रयोग गर्न भन्छ। पूर्वनिर्धारित अंग्रेजी हुनेछ, र देवनागरीमा खराब गर्थ्यो।
• text.strip() ले नतिजाबाट पुच्छरको खाली ठाउँ काट्छ।

data/signboard.jpg मा देवनागरी साइनको सफा फोटो राख्नुहोस् र चलाउनुहोस्। पहिलो पटक चल्दा जादू जस्तो लाग्छ। होइन। यो अरूले तालिम दिएको मोडेल हो, अरूले लेखेको पुस्तकालयले लोड गरेको, र तपाईंले लेखेका पाँच लाइनले बोलाएको। कामको आकार ठ्याक्कै यही हो।

अझ उपयोगी संस्करण

कच्चा आउटपुट ठीक छ। सामान्य कुराहरू सम्हाल्ने सानो कार्यक्रम — फाइल नभेटिएको, भाषा प्याक छुटेको — झन् राम्रो हुन्छ:

import sys
from pathlib import Path
from PIL import Image
import pytesseract


def read_devanagari(image_path: str) -> str:
    path = Path(image_path)
    if not path.exists():
        raise FileNotFoundError(f"No image at {image_path}")

    img = Image.open(path)
    text = pytesseract.image_to_string(img, lang="nep")
    return text.strip()


if __name__ == "__main__":
    if len(sys.argv) < 2:
        print("Usage: python ocr.py <path-to-image>")
        sys.exit(1)

    print(read_devanagari(sys.argv[1]))

ocr.py मा बचत गर्नुहोस्। टर्मिनलबाट चलाउनुहोस्:

python ocr.py data/signboard.jpg

तपाईंसँग अब सानो आदेश-लाइन औजार छ। साथीलाई स्क्रिप्ट दिनुहोस्, र तिनले आफ्नो टर्मिनलबाट छविमा OCR गर्न सक्छन् — Tesseract स्थापना गरेर। Course 05 मा वेब पृष्ठमा बेर्नुहोस्, र ब्राउजर भएको जुनसुकैले उही गर्न सक्छ।

OCR विफल हुँदा (र हुनेछ)

सबैभन्दा सामान्य निराशाहरूको छोटो परिचय:

• धमिलो वा बाङ्गो फोटो। Tesseract खराब इनपुटमा भङ्गुर छ। पाठमा कसिलो क्रप गर्नुहोस्, क्यामेरा सीधा समाउनुहोस्, राम्रो उज्यालोमा खिच्नुहोस्। पूर्व-प्रशोधन — ग्रेस्केलमा बदल्ने, कन्ट्रास्ट बढाउने, सीधा गर्ने — ले धेरै कुरा बचाउन सक्छ। Pillow पुस्तकालयले यी सबै तीन-तीन लाइनमा गर्न सक्छ, र Course 02 मा हामी फेरि हेर्नेछौँ।
• हस्तलिपि। Tesseract प्राथमिक रूपमा छापिएको पाठका लागि बनाइएको हो। हस्तलिपि धेरै गाह्रो हुन्छ। हस्तलिखित देवनागरीका लागि, तपाईंले प्रयोगयोग्य तर मैलो आउटपुट पाउनुहुनेछ — र ट्रान्सफरमर-आधारित दृष्टि मोडेल (जस्तै, दृष्टि-सक्षम Claude लाई छवि सिधै पढ्न भन्ने) ले प्रायः राम्रो गर्छ।
• मिश्रित लिपि। नेपाली र अंग्रेजी मिसिएको पृष्ठले nep मात्र सोध्दा Tesseract अल्मलिन्छ। lang="nep+eng" पास गर्नुहोस् र दुवै कोसिस गर्छ।
• गलत भाषा प्याक। आउटपुट बकवास देवनागरी जस्तो देखिन्छ भने, तपाईंले lang="eng" ले नेपाली छविमा Tesseract चलाएको हुनसक्छ, वा nep डाटा छुटेको। tesseract --list-langs ले फेरि जाँच्नुहोस्।

तुलना: स्थानीय बनाम होस्ट गरिएको, सँगसँगै

तपाईंले अब दुवै छेउ गर्नुभयो:

	होस्ट गरिएको API (Claude)	स्थानीय मोडेल (Tesseract)
सेटअप	API की, एउटा pip install	प्रणाली स्थापना, भाषा प्याक, Python र्‍यापर
लागत	प्रति कल पैसा	स्थापनापछि निःशुल्क
गति	1-3 सेकेन्ड (नेटवर्क राउन्ड ट्रिप)	मिलिसेकेन्ड, तपाईंको हार्डवेयरमा
गोपनीयता	डाटा मेसिनबाट जान्छ	डाटा मेसिनमै बस्छ
गुणस्तर	अत्याधुनिक	युग र कार्यका लागि बलियो
इन्टरनेट चाहिने	हो	होइन

विजेता छैन। प्रति समस्या तपाईंले गर्ने छनोट छ। NEPSE सारांश औजार: होस्ट गरिएको, किनभने डाटा सार्वजनिक छ र तपाईंलाई धाराप्रवाह चाहिन्छ। मेडिकल-रेकर्ड OCR प्रणाली: स्थानीय, किनभने डाटा गोपनीयता असम्झौतायोग्य छ।

“एआई निर्माता” को मानसिक आकार त्यो व्यक्ति हो जसले हरेक नयाँ समस्याका लागि यी दुईबीच धाराप्रवाह छनोट गर्छ — र छनोट बदलिँदा डाटालाई एकबाट अर्कोमा सार्न सक्छ।

आफ्नो बुझाइ जाँच्नुहोस्

Quick check

—

तपाईंले देवनागरी पाठको सफा फोटोमा `pytesseract.image_to_string(img, lang='nep')` चलाउनुभयो तर अंग्रेजी जस्तो बकवास — स्पष्ट शब्दबिनाको ल्याटिन अक्षर — फिर्ता पाउनुभयो। सम्भावित कारण के हो?

1. Aछवि बिग्रिएको छ।
2. Bनेपाली भाषा प्याक (`nep`) Tesseract का लागि स्थापित छैन, त्यसैले यो मौन रूपमा पूर्वनिर्धारितमा झर्‍यो। `tesseract --list-langs` जाँच्नुहोस् र नेपाली डाटा पुन: स्थापना गर्नुहोस्।
3. CTesseract ले देवनागरी समर्थन गर्दैन।
4. Dगैर-ल्याटिन लिपि पढ्न Tesseract Pro किन्नुपर्छ।

Check answer→

Quick check

—

टिकापुरको एक क्लिनिकले फोटो खिचिएको चिकित्सकीय नोटबाट बिरामीको नाम निकाल्ने प्रणाली बनाउन सहयोग माग्छ — झन्डै सबै हस्तलिखित देवनागरी। यो खण्डका तैनाती छनोटहरूमध्ये कुन तिनको बाधासँग सबैभन्दा मेल खान्छ?

1. ATesseract स्थानीय रूपमा प्रयोग गर्नुहोस्। हस्तलिपि छापिएकोभन्दा गाह्रो हुन्छ, तर कम्तीमा डाटा क्लिनिकबाट कहिल्यै बाहिर निस्किँदैन, जुन सबैभन्दा महत्त्वपूर्ण बाधा हो।
2. Bफोटोलाई होस्ट गरिएको दृष्टि-सक्षम भाषा मोडेलमा पठाउनुहोस्। हस्तलिपिलाई राम्रोसँग सम्हाल्छ, तर मेडिकल डाटा क्लिनिकबाट निस्कन्छ।
3. Cक्लिनिकलाई एआईले यहाँ मद्दत गर्न सक्दैन भन्नुहोस्।
4. Dकुनै जिम्मेवार उत्तर छैन; सही चाल भनेको ट्रेडअफ — होस्ट गरिएको दृष्टि मोडेलबाट राम्रो हस्तलिपि शुद्धता बनाम मेडिकल डाटा अफ-डिभाइस पठाउने गोपनीयता लागत — तौलने र निर्णयअघि क्लिनिकसँग खुला रूपमा छलफल गर्ने हो।

Check answer→

अब के आउँछ

तपाईंले होस्ट गरिएको मोडेल बोलाउनुभयो र स्थानीय मोडेल चलाउनुभयो। तपाईं डाटा राख्न, सार्न, चार्ट बनाउन, साझा गर्न, र डिबग गर्न सक्नुहुन्छ। उपकरण-पेटी पूर्ण छ। अध्याय 6 ले यो पूरै ट्र्याकको अन्तिम, सबैभन्दा गाह्रो, सबैभन्दा कम मूल्यबद्ध काम गर्न भन्छ: एउटा सानो विचार लिनुहोस् — अध्याय 1, खण्ड 1 मा तपाईंले लेख्नुभएको समस्या — र सक्नुहोस्। सुरुदेखि अन्त्यसम्म बनाउनुहोस्। लेख्नुहोस्। साझा गर्नुहोस्। पहिलो सम्पन्न परियोजना अर्को दश अधुरा परियोजनाभन्दा बढी मूल्यवान् हुन्छ।