OCR di ogni VDA

Trascina una foto, una scansione o un PDF (fino a 2.5GB). Estraiamo il testo direttamente nel tuo browser — gratuitamente, illimitatamente e i tuoi file non lasciano mai il tuo dispositivo.

Privato e sicuro

Tutto accade nel tuo browser. I tuoi file non toccano mai i nostri server.

Velocissimo

Nessun caricamento, nessuna attesa. Converti nel momento in cui rilasci un file.

Realmente gratuito

Nessun account richiesto. Nessun costo nascosto. Nessun trucco sulle dimensioni dei file.

Il Riconoscimento Ottico dei Caratteri (OCR) trasforma le immagini di testo—scansioni, foto da smartphone, PDF—in stringhe leggibili dalla macchina e, sempre più, in dati strutturati. L'OCR moderno è una pipeline che pulisce un'immagine, trova il testo, lo legge ed esporta metadati ricchi in modo che i sistemi a valle possano cercare, indicizzare o estrarre campi. Due standard di output ampiamente utilizzati sono hOCR, un microformato HTML per testo e layout, e ALTO XML, uno schema orientato a biblioteche/archivi; entrambi conservano posizioni, ordine di lettura e altri spunti di layout e sono supportati da motori popolari come Tesseract.

Un rapido tour della pipeline

Pre-elaborazione. La qualità dell'OCR inizia con la pulizia dell'immagine: conversione in scala di grigi, denoising, sogliatura (binarizzazione) e raddrizzamento. I tutorial canonici di OpenCV coprono la sogliatura globale, adattiva e di Otsu —punti fermi per documenti con illuminazione non uniforme o istogrammi bimodali. Quando l'illuminazione varia all'interno di una pagina (pensa agli scatti del telefono), i metodi adattivi spesso superano una singola soglia globale; Otsu sceglie automaticamente una soglia analizzando l'istogramma. La correzione dell'inclinazione è altrettanto importante: il raddrizzamento basato su Hough (Trasformata di Hough) abbinato alla binarizzazione di Otsu è una ricetta comune ed efficace nelle pipeline di pre-elaborazione di produzione.

Rilevamento vs. riconoscimento. L'OCR è tipicamente suddiviso in rilevamento del testo (dov'è il testo?) e riconoscimento del testo (cosa dice?). Nelle scene naturali e in molte scansioni, i rilevatori completamente convoluzionali come EAST prevedono in modo efficiente quadrilateri a livello di parola o riga senza pesanti fasi di proposta e sono implementati in toolkit comuni (ad es. tutorial sul rilevamento del testo di OpenCV). Su pagine complesse (giornali, moduli, libri), la segmentazione di righe/regioni e l'inferenza dell'ordine di lettura sono importanti:Kraken implementa la segmentazione tradizionale di zone/righe e la segmentazione neurale della linea di base, con supporto esplicito per diversi script e direzioni (LTR/RTL/verticale).

Modelli di riconoscimento. Il classico cavallo di battaglia open-source Tesseract (reso open-source da Google, con radici in HP) si è evoluto da un classificatore di caratteri in un riconoscitore di sequenze basato su LSTM e può emettere PDF ricercabili, output compatibili con hOCR/ALTOe altro dalla CLI. I riconoscitori moderni si basano sulla modellazione di sequenze senza caratteri pre-segmentati. Connectionist Temporal Classification (CTC) rimane fondamentale, imparando gli allineamenti tra le sequenze di feature di input e le stringhe di etichette di output; è ampiamente utilizzato nelle pipeline di scrittura a mano e di testo di scena.

Negli ultimi anni, i Transformer hanno rimodellato l'OCR. TrOCR utilizza un encoder Vision Transformer più un decoder Text Transformer, addestrato su grandi corpora sintetici e poi messo a punto su dati reali, con ottime prestazioni su benchmark di testo stampato, scritto a mano e di scena (vedi anche documentazione di Hugging Face). In parallelo, alcuni sistemi eludono l'OCR per la comprensione a valle: Donut (Document Understanding Transformer) è un encoder-decoder senza OCR che produce direttamente risposte strutturate (come JSON chiave-valore) da immagini di documenti (repo, scheda del modello), evitando l'accumulo di errori quando un passaggio OCR separato alimenta un sistema IE.

Motori e librerie

Se si desidera una lettura del testo "batterie incluse" su molti script, EasyOCR offre una semplice API con oltre 80 modelli linguistici, restituendo riquadri, testo e confidenze, utile per prototipi e script non latini. Per i documenti storici, Kraken brilla con la segmentazione della linea di base e l'ordine di lettura consapevole dello script; per un addestramento flessibile a livello di riga, Calamari si basa sulla discendenza di Ocropy (Ocropy) con riconoscitori (multi-)LSTM+CTC e una CLI for la messa a punto di modelli personalizzati.

Set di dati e benchmark

La generalizzazione dipende dai dati. Per la scrittura a mano, il Database di scrittura a mano IAM fornisce frasi in inglese diverse per scrittore per l'addestramento e la valutazione; è un set di riferimento di lunga data per il riconoscimento di righe e parole. Per il testo di scena, COCO-Text ha stratificato annotazioni estese su MS-COCO, con etichette per stampato/scritto a mano, leggibile/illeggibile, script e trascrizioni complete (vedi anche la pagina del progetto originale). Il campo si basa anche pesantemente sul pre-addestramento sintetico: SynthText in the Wild renderizza il testo in fotografie con geometria e illuminazione realistiche, fornendo enormi volumi di dati per pre-addestrare rilevatori e riconoscitori (riferimento codice e dati).

Le competizioni sotto l'ombrello Robust Reading di ICDAR mantengono la valutazione fondata. I compiti recenti enfatizzano il rilevamento/lettura end-to-end e includono il collegamento di parole in frasi, con il codice ufficiale che riporta precisione/richiamo/F-score, intersection-over-union (IoU) e metriche di distanza di modifica a livello di carattere, rispecchiando ciò che i professionisti dovrebbero monitorare.

Formati di output e uso a valle

L'OCR raramente termina con testo semplice. Archivi e biblioteche digitali preferiscono ALTO XML perché codifica il layout fisico (blocchi/righe/parole con coordinate) insieme al contenuto, e si abbina bene con il packaging METS. Il hOCR microformato, al contrario, incorpora la stessa idea in HTML/CSS usando classi come ocr_line e ocrx_word, rendendo facile visualizzare, modificare e trasformare con strumenti web. Tesseract espone entrambi, ad es. generando hOCR o PDF ricercabili direttamente dalla CLI (guida all'output PDF); wrapper Python come pytesseract aggiungono convenienza. Esistono convertitori per tradurre tra hOCR e ALTO quando i repository hanno standard di ingestione fissi —vedi questo elenco curato di strumenti per formati di file OCR.

Guida pratica

  • Inizia con i dati e la pulizia. Se le tue immagini sono foto di telefono o scansioni di qualità mista, investi nella sogliatura (adattiva e Otsu) e nel raddrizzamento (Hough) prima di qualsiasi messa a punto del modello. Spesso otterrai di più da una robusta ricetta di pre-elaborazione che dalla sostituzione dei riconoscitori.
  • Scegli il rilevatore giusto. Per le pagine scansionate con colonne regolari, un segmentatore di pagine (zone → righe) può essere sufficiente; per le immagini naturali, i rilevatori a scatto singolo come EAST sono baseline forti e si collegano a molti toolkit (esempio OpenCV).
  • Scegli un riconoscitore che corrisponda al tuo testo. Per il latino stampato, Tesseract (LSTM/OEM) è robusto e veloce; per multi-script o prototipi veloci, EasyOCR è produttivo; per la scrittura a mano o i caratteri tipografici storici, considera Kraken o Calamari e pianifica la messa a punto. Se hai bisogno di un accoppiamento stretto con la comprensione dei documenti (estrazione chiave-valore, VQA), valuta TrOCR (OCR) rispetto a Donut (senza OCR) sul tuo schema—Donut potrebbe rimuovere un intero passaggio di integrazione.
  • Misura ciò che conta. Per i sistemi end-to-end, riporta il rilevamento F-score e il riconoscimento CER/WER (entrambi basati sulla distanza di modifica di Levenshtein ; vedi CTC); per compiti pesanti dal punto di vista del layout, traccia IoU/aderenza e la distanza di modifica normalizzata a livello di carattere come nei kit di valutazione ICDAR RRC .
  • Esporta output ricchi. Preferisci hOCR /ALTO (o entrambi) in modo da conservare le coordinate e l'ordine di lettura—fondamentale per l'evidenziazione dei risultati di ricerca, l'estrazione di tabelle/campi e la provenienza. La CLI di Tesseract e pytesseract lo rendono un gioco da ragazzi.

Guardando al futuro

La tendenza più forte è la convergenza: rilevamento, riconoscimento, modellazione del linguaggio e persino la decodifica specifica del compito si stanno fondendo in stack Transformer unificati. Il pre-addestramento su grandi corpora sintetici rimane un moltiplicatore di forza. I modelli senza OCR competeranno aggressivamente ovunque l'obiettivo siano output strutturati piuttosto che trascrizioni letterali. Aspettatevi anche implementazioni ibride: un rilevatore leggero più un riconoscitore in stile TrOCR per testo lungo, e un modello in stile Donut per moduli e ricevute.

Ulteriori letture e strumenti

Tesseract (GitHub) · Documentazione di Tesseract · Specifiche hOCR · Sfondo ALTO · Rilevatore EAST · Rilevamento del testo OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Scrittura a mano IAM · Strumenti per formati di file OCR · EasyOCR

Domande frequenti

Cos'è l'OCR?

L'Optical Character Recognition (OCR) è una tecnologia utilizzata per convertire vari tipi di documenti, come documenti cartacei scansionati, file PDF o immagini catturate da una fotocamera digitale, in dati modificabili e ricercabili.

Come funziona l'OCR?

L'OCR funziona analizzando l'immagine o il documento in ingresso, segmentando l'immagine in singoli caratteri, e confrontando ciascun carattere con un database di forme carattere utilizzando il riconoscimento di pattern o il riconoscimento delle caratteristiche.

Quali sono le applicazioni pratiche dell'OCR?

L'OCR viene utilizzato in vari settori e applicazioni, tra cui la digitalizzazione di documenti stampati, l'attivazione di servizi di testo in voce, l'automazione dei processi di inserimento dati, e l'aiuto agli utenti con problemi di vista a interagire in modo più efficace con il testo.

L'OCR è sempre preciso al 100%?

Nonostante ci siano stati notevoli progressi nella tecnologia OCR, non è infallibile. L'accuratezza può variare a seconda della qualità del documento originale e delle specifiche del software OCR utilizzato.

L'OCR può riconoscere la scrittura a mano?

Sebbene l'OCR sia principalmente progettato per il testo stampato, alcuni sistemi OCR avanzati sono anche in grado di riconoscere la scrittura a mano chiara e coerente. Tuttavia, il riconoscimento della scrittura a mano è generalmente meno preciso a causa della grande varietà di stili di scrittura individuali.

L'OCR può gestire più lingue?

Sì, molti sistemi software OCR possono riconoscere più lingue. Tuttavia, è importante assicurarsi che la lingua specifica sia supportata dal software che si utilizza.

Qual è la differenza tra OCR e ICR?

L'OCR sta per Optical Character Recognition ed è usato per riconoscere il testo stampato, mentre l'ICR, o Intelligent Character Recognition, è più avanzato ed è usato per riconoscere il testo scritto a mano.

L'OCR può lavorare con qualsiasi font e dimensione del testo?

L'OCR funziona meglio con font chiari, facilmente leggibili e dimensioni standard del testo. Anche se può lavorare con vari font e dimensioni, l'accuratezza tende a diminuire quando si tratta di font insoliti o dimensioni del testo molto piccole.

Quali sono le limitazioni della tecnologia OCR?

L'OCR può avere difficoltà con documenti a bassa risoluzione, font complessi, testi stampati male, scrittura a mano, e documenti con sfondi che interferiscono con il testo. Inoltre, anche se può lavorare con molte lingue, potrebbe non coprire ogni lingua perfettamente.

L'OCR può eseguire la scansione di testi colorati o sfondi colorati?

Sì, l'OCR può eseguire la scansione di testi colorati e sfondi colorati, sebbene generalmente sia più efficace con combinazioni di colori ad alto contrasto, come il testo nero su sfondo bianco. L'accuratezza può diminuire quando il colore del testo e dello sfondo non ha un contrasto sufficiente.

Qual è il formato VDA?

Immagine Truevision Targa

Il formato di immagine VDA, sebbene non sia comunemente riconosciuto come formati quali JPEG, PNG o GIF, svolge un ruolo significativo in settori e applicazioni specifici. È progettato per soddisfare esigenze particolari che i formati di immagine tradizionali potrebbero non affrontare in modo efficace. Il formato VDA, che sta per Verband der Automobilindustrie (Associazione dell'industria automobilistica), è stato inizialmente sviluppato per soddisfare le rigorose richieste dell'industria automobilistica. Questo formato è particolarmente adatto alla gestione della grafica dettagliata e precisa richiesta nella progettazione e produzione di automobili, inclusi schemi intricati e disegni CAD (Computer-Aided Design).

Una delle caratteristiche distintive del formato di immagine VDA è la sua attenzione alla precisione e alla chiarezza. Nella progettazione e nell'ingegneria automobilistica, anche il più piccolo dettaglio può essere di importanza critica. Il formato VDA supporta immagini ad alta risoluzione con un'enfasi sulla conservazione dell'esattezza di linee e forme, il che è cruciale per disegni CAD e schemi tecnici. A differenza dei formati che danno priorità alla compressione per risparmiare spazio, VDA mantiene l'integrità dell'immagine originale, assicurando che i dettagli richiesti per una produzione e un assemblaggio accurati siano preservati.

In termini di specifiche tecniche, i file VDA sono basati su vettori. Ciò significa che utilizzano equazioni matematiche per rappresentare le immagini, al contrario dell'approccio basato sui pixel utilizzato da formati come JPEG o PNG. Questo approccio vettoriale consente una scalabilità infinita senza perdita di risoluzione o chiarezza. I progettisti possono ingrandire le parti più piccole di un disegno senza incontrare la pixelatura, una caratteristica preziosa nel mondo preciso della progettazione automobilistica. Questa capacità di mantenere la chiarezza a qualsiasi scala è uno dei principali vantaggi del formato VDA.

Il formato VDA incorpora anche un sistema a livelli che ne migliora l'utilità in complesse attività di progettazione e ingegneria. Ogni livello può contenere diversi elementi del design, come sistemi elettrici, dettagli del telaio o il layout della trasmissione. Questa organizzazione consente a progettisti e ingegneri di isolare aspetti specifici del design per un esame dettagliato o una modifica senza influenzare altre parti dell'immagine. La possibilità di lavorare con immagini a livelli semplifica notevolmente i processi di progettazione e revisione, rendendo il formato VDA altamente efficiente per le complesse attività per cui è destinato.

Un altro aspetto in cui brilla il formato di immagine VDA è il suo supporto ai metadati. Ogni file VDA può contenere informazioni dettagliate oltre alla rappresentazione visiva, come proprietà dei materiali, istruzioni di produzione e altri dati rilevanti per la progettazione e il processo di produzione automobilistica. Questa capacità consente un approccio più integrato alla progettazione automobilistica, in cui il file immagine stesso funge da pacchetto completo di dati visivi e specifiche tecniche correlate. L'inclusione di metadati rende i file VDA più che semplici immagini; diventano una parte cruciale del flusso di lavoro nella progettazione e produzione automobilistica.

La compatibilità e l'interoperabilità con altri strumenti software sono cruciali nell'ecosistema digitale odierno e il formato VDA è progettato tenendo presente questo aspetto. È supportato da una vasta gamma di applicazioni CAD e di disegno tecnico, garantendo che i file possano essere facilmente condivisi e modificati su diverse piattaforme e da diversi stakeholder nel processo di progettazione automobilistica. L'ampio supporto per i file VDA all'interno del software standard del settore facilita anche la collaborazione, poiché i file possono essere scambiati senza la necessità di conversione, mantenendo così la fedeltà al design e alle specifiche originali.

Nonostante il suo caso d'uso specializzato, l'adozione del formato VDA pone alcune sfide. Uno dei principali ostacoli è la curva di apprendimento associata alla comprensione e all'utilizzo efficace di tutte le funzionalità e capacità del formato. Inoltre, poiché è specializzato, i nuovi utenti o coloro che sono abituati a formati di immagine più generali potrebbero trovare un po' scoraggiante il passaggio all'utilizzo dei file VDA. Inoltre, mentre il formato è ben supportato all'interno dell'industria automobilistica, potrebbe non essere altrettanto facilmente accessibile o integrato in software di progettazione grafica generici, il che potrebbe limitarne l'uso a un pubblico più ristretto.

L'efficienza migliorata e il controllo di qualità facilitati dal formato VDA hanno implicazioni significative per la catena di fornitura dell'industria automobilistica. Fornendo una rappresentazione visiva chiara e dettagliata delle parti, insieme ai dati di produzione pertinenti, il formato VDA aiuta a ridurre gli errori e le comunicazioni errate. Questo miglioramento della precisione si traduce direttamente in risparmi sui costi e in una maggiore qualità nei prodotti finali. La capacità di comunicare con precisione le intenzioni di progettazione e i requisiti di produzione può portare a operazioni più razionali, dalla progettazione iniziale all'assemblaggio finale.

Il futuro del formato di immagine VDA sembra promettente, soprattutto perché l'industria automobilistica continua ad avanzare in termini di tecnologia e complessità. È probabile che aumenti la necessità di formati di immagine precisi, scalabili e ricchi di dati, rendendo VDA una parte ancora più critica del processo di progettazione e produzione automobilistica. Man mano che i veicoli elettrici e i sistemi avanzati di assistenza alla guida (ADAS) diventano più diffusi, la complessità della progettazione automobilistica aumenterà, consolidando ulteriormente il ruolo di formati di immagine completi e dettagliati come VDA nel settore.

Anche le considerazioni ambientali stanno diventando sempre più importanti nell'industria automobilistica. La capacità del formato VDA di integrare dati dettagliati di produzione e materiali insieme a elementi di progettazione visiva può svolgere un ruolo cruciale nelle pratiche di produzione sostenibili. Consentendo a progettisti e produttori di incorporare dati ambientali direttamente nei file di progettazione, il formato VDA facilita la creazione di veicoli più ecologici. Questa caratteristica supporta il passaggio del settore verso la sostenibilità rendendo più semplice valutare e ottimizzare i materiali e i processi di produzione per un impatto ambientale minimo.

L'enfasi del formato VDA sulla precisione, la scalabilità e l'integrazione completa dei dati lo posiziona in modo unico tra i formati di immagine. Sebbene possa non essere riconosciuto universalmente come alcuni altri formati, le sue capacità specializzate lo rendono indispensabile per le attività per cui è stato progettato. Man mano che settori come la progettazione automobilistica continuano a evolversi, è probabile che cresca l'importanza di formati come VDA in grado di supportare immagini complesse, dettagliate e ricche di dati. Sebbene affronti sfide in termini di adozione diffusa e facilità d'uso, i suoi vantaggi nella sua area di applicazione di nicchia sono innegabili. Comprendere e sfruttare questi vantaggi può portare a progressi significativi nell'efficienza e nella qualità della progettazione e della produzione automobilistica.

In conclusione, il formato di immagine VDA, con il suo approccio basato su vettori, il sistema a livelli, il supporto dei metadati e la compatibilità con le applicazioni CAD e di disegno tecnico, offre uno strumento robusto per l'industria automobilistica. Il suo design è specificamente progettato per soddisfare gli elevati requisiti di precisione e dettaglio della progettazione e produzione automobilistica, facilitando un grado di chiarezza ed efficienza difficile da ottenere con altri formati. Man mano che il settore continua a innovare e ad andare verso pratiche più sostenibili, il ruolo del formato VDA nel supportare questi progressi diventa sempre più importante. Le sfide che deve affrontare, principalmente legate alla sua natura specializzata e alla curva di apprendimento, sono superate dai significativi vantaggi che offre in termini di precisione di progettazione, integrazione dei dati ed efficienza operativa. Il formato di immagine VDA rappresenta un elemento tecnologico critico nell'evoluzione in corso della progettazione e della produzione automobilistica, sottolineando l'importanza di soluzioni specifiche del settore nell'affrontare sfide complesse.

Formati supportati

AAI.aai

Immagine AAI Dune

AI.ai

Adobe Illustrator CS2

AVIF.avif

Formato di file immagine AV1

BAYER.bayer

Immagine Bayer grezza

BMP.bmp

Immagine bitmap di Microsoft Windows

CIN.cin

File immagine Cineon

CLIP.clip

Maschera di ritaglio immagine

CMYK.cmyk

Campioni grezzi ciano, magenta, giallo e nero

CUR.cur

Icona Microsoft

DCX.dcx

ZSoft IBM PC multi-pagina Paintbrush

DDS.dds

Superficie DirectDraw Microsoft

DPX.dpx

Immagine SMTPE 268M-2003 (DPX 2.0)

DXT1.dxt1

Superficie DirectDraw Microsoft

EPDF.epdf

Formato Documento Portatile Incapsulato

EPI.epi

Formato di interscambio PostScript incapsulato Adobe

EPS.eps

PostScript incapsulato Adobe

EPSF.epsf

PostScript incapsulato Adobe

EPSI.epsi

Formato di interscambio PostScript incapsulato Adobe

EPT.ept

PostScript incapsulato con anteprima TIFF

EPT2.ept2

PostScript incapsulato Livello II con anteprima TIFF

EXR.exr

Immagine ad alto range dinamico (HDR)

FF.ff

Farbfeld

FITS.fits

Sistema di Trasporto Immagini Flessibile

GIF.gif

Formato di interscambio grafico CompuServe

HDR.hdr

Immagine ad Alto Range Dinamico

HEIC.heic

Contenitore immagini ad alta efficienza

HRZ.hrz

Slow Scan TeleVision

ICO.ico

Icona Microsoft

ICON.icon

Icona Microsoft

J2C.j2c

Flusso di codici JPEG-2000

J2K.j2k

Flusso di codici JPEG-2000

JNG.jng

Grafica di Rete JPEG

JP2.jp2

Sintassi del Formato File JPEG-2000

JPE.jpe

Formato JFIF del Gruppo di Esperti Fotografici Coniugati

JPEG.jpeg

Formato JFIF del Gruppo di Esperti Fotografici Coniugati

JPG.jpg

Formato JFIF del Gruppo di Esperti Fotografici Coniugati

JPM.jpm

Sintassi del Formato File JPEG-2000

JPS.jps

Formato JPS del Gruppo di Esperti Fotografici Coniugati

JPT.jpt

Sintassi del Formato File JPEG-2000

JXL.jxl

Immagine JPEG XL

MAP.map

Database di Immagini Senza Soluzione di Continuità a Multi-risoluzione (MrSID)

MAT.mat

Formato immagine MATLAB livello 5

PAL.pal

Pixmap Palm

PALM.palm

Pixmap Palm

PAM.pam

Formato bitmap bidimensionale comune

PBM.pbm

Formato bitmap portatile (bianco e nero)

PCD.pcd

Foto CD

PCT.pct

Apple Macintosh QuickDraw/PICT

PCX.pcx

ZSoft IBM PC Paintbrush

PDB.pdb

Formato ImageViewer del database Palm

PDF.pdf

Formato Documento Portatile

PDFA.pdfa

Formato di Archivio Documento Portatile

PFM.pfm

Formato float portatile

PGM.pgm

Formato graymap portatile (scala di grigi)

PGX.pgx

Formato non compresso JPEG 2000

PICT.pict

Apple Macintosh QuickDraw/PICT

PJPEG.pjpeg

Formato JFIF del Gruppo di Esperti Fotografici Condivisi

PNG.png

Grafica Rete Portatile

PNG00.png00

PNG eredita la profondità di bit, il tipo di colore dall'immagine originale

PNG24.png24

RGB a 24 bit opaco o trasparente binario (zlib 1.2.11)

PNG32.png32

RGBA a 32 bit opaco o trasparente binario

PNG48.png48

RGB a 48 bit opaco o trasparente binario

PNG64.png64

RGBA a 64 bit opaco o trasparente binario

PNG8.png8

Indicizzato a 8 bit opaco o trasparente binario

PNM.pnm

Anymap portatile

PPM.ppm

Formato pixmap portatile (colore)

PS.ps

File Adobe PostScript

PSB.psb

Formato Grande Documento Adobe

PSD.psd

Bitmap Adobe Photoshop

RGB.rgb

Campioni grezzi di rosso, verde e blu

RGBA.rgba

Campioni grezzi di rosso, verde, blu e alfa

RGBO.rgbo

Campioni grezzi di rosso, verde, blu e opacità

SIX.six

Formato grafico DEC SIXEL

SUN.sun

Rasterfile Sun

SVG.svg

Grafica Vettoriale Scalabile

TIFF.tiff

Formato File Immagine Etichettato

VDA.vda

Immagine Truevision Targa

VIPS.vips

Immagine VIPS

WBMP.wbmp

Immagine Bitmap Wireless (livello 0)

WEBP.webp

Formato Immagine WebP

YUV.yuv

CCIR 601 4:1:1 o 4:2:2

Domande frequenti

Come funziona?

Questo convertitore funziona interamente nel tuo browser. Quando selezioni un file, viene letto in memoria e convertito nel formato selezionato. Puoi quindi scaricare il file convertito.

Quanto tempo ci vuole per convertire un file?

Le conversioni iniziano istantaneamente e la maggior parte dei file viene convertita in meno di un secondo. I file più grandi potrebbero richiedere più tempo.

Cosa succede ai miei file?

I tuoi file non vengono mai caricati sui nostri server. Vengono convertiti nel tuo browser e il file convertito viene quindi scaricato. Non vediamo mai i tuoi file.

Quali tipi di file posso convertire?

Supportiamo la conversione tra tutti i formati di immagine, inclusi JPEG, PNG, GIF, WebP, SVG, BMP, TIFF e altro ancora.

Quanto costa?

Questo convertitore è completamente gratuito e lo sarà sempre. Poiché funziona nel tuo browser, non dobbiamo pagare per i server, quindi non dobbiamo addebitarti alcun costo.

Posso convertire più file contemporaneamente?

Sì! Puoi convertire tutti i file che vuoi in una volta. Basta selezionare più file quando li aggiungi.