Ollama-OCR：利用视觉语言模型从图像中提取文本

Ollama-OCR利用视觉语言模型从图像中提取文本。

本文将介绍 Ollama-OCR 的关键特点、安装方法、快速开始指南以及输出格式的详细信息。

github:https://github.com/imanoop7/Ollama-OCR

需安装:ollama https://ollama.com/download

特点

• 支持多种视觉模型：Ollama-OCR 支持包括 LLaVA 7B 和 Llama 3.2 Vision 在内的视觉模型，这些模型能够处理实时和复杂文档的文本识别任务。

• 多种输出格式：支持输出格式包括 Markdown、纯文本、JSON、结构化数据和键值对格式。

• 用户友好的界面：提供拖放图片上传、实时处理、下载提取文本和图像预览等功能。

• 批量处理能力：支持并行处理多个图像，并能跟踪每个图像的处理进度。

整合包

https://pan.quark.cn/s/a22e24638212

快速开始

在使用 Ollama-OCR 之前，需要安装 Ollama 并拉取所需的模型：

ollama pull llama3.2-vision:11b

输出格式详情

• Markdown 格式：输出为包含从图像中提取的文本的 Markdown 字符串。

• 文本格式：输出为包含从图像中提取的文本的纯文本字符串。

• JSON 格式：输出为包含从图像中提取的文本的 JSON 对象。

• 结构化格式：输出为包含从图像中提取的文本的结构化对象。

• 键值格式：输出为包含从图像中提取的文本的字典。

Streamlit Web 应用程序

Ollama-OCR 还提供了一个基于 Streamlit 的 Web 应用程序，支持批量处理，具有用户友好的界面，包括拖放图片上传、实时处理、下载提取文本和图像预览等功能。