自定义Yolov10和Ollama（Llama 3）增强OCR

关注

原创最新推荐文章于 2026-09-05 10:58:28 发布 1.5k 阅读 AI 写同款· GEO 优化 ›

YOLOv8到v12对比与LLM纠错：数字识别检测系统全栈实践数字识别是计算机视觉和目标检测领域中的经典任务，其核心在于从复杂背景中准确定位并识别数字字符。以YOLO为代表的一阶段目标检测算法，凭借速度快、精度高、部署方便的优势，成为构建数字识别系统的理想选择。然而，纯检测模型缺乏语义理解能力，在模糊、遮挡或光照不均场景下容易出现误检。引入大语言模型（如千问、DeepSeek）对检测结果进行后处理，可以结合场景规则进行纠错与结构化输出，形成“视觉感知+语义理解”的互补方案。本文基于工程实践，系统对比YOLOv8/v10/v11/v12在数字识别数据集上的训练效果，并详阅读详情

最近，我大部分时间都在玩大型语言模型（LLMs），但我对计算机视觉的热爱从未真正消退。因此，当有机会将两者结合起来时，我迫不及待地想要深入研究。在Goodreads上扫描书的封面并将其标记为“已读”总是感觉像一种魔法，我忍不住想要为自己重现这种体验。

通过结合自定义训练的YOLOv10模型和OCR技术，你可以获得巨大的准确性提升。但当你加入一个LLM（Llama 3）时，真正的魔法就发生了——那些混乱的OCR输出突然变成了干净、可用的文本，非常适合实际应用。

为什么我们需要在OCR中使用YOLO和Ollama？

传统的OCR（光学字符识别）方法在从简单图像中提取文本方面做得很好，但当文本与其他视觉元素交织在一起时，往往难以应对。通过使用自定义的YOLO模型首先检测文本区域等对象，我们可以为OCR隔离这些区域，显著减少噪声并提高准确性。让我们通过在没有YOLO的图像上运行一个基本的OCR示例来演示这一点，以突出单独使用OCR的挑战：

import easyocr``import cv2``# Initialize EasyOCR``reader = easyocr.Reader(['en'])``# Load the image``image = cv2.imread('book.jpg')``# Run OCR directly``results = reader.readtext(image)``# Display results``for (bbox, text, prob) in results:`    `print(f"Detected Text: {text} (Probability: {prob})")

THE 0 R |G |NAL B E STSELLE R THE SECRET HISTORY DONNA TARTT Haunting, compelling and brilliant The Times

虽然它可以很好地处理更简单的图像，但当存在噪声或复杂的视觉模式时，错误就开始堆积。这时，YOLO模型介入并真正发挥作用。

1. 训练自定义Yolov10数据集

用对象检测增强OCR的第一步是在你数据集上训练一个自定义的YOLO模型。YOLO（You Only Look Once）是一个强大的实时对象检测模型，它将图像划分为网格，允许它在单次前向传递中识别多个对象。这种方法非常适合检测图像中的文本，特别是当你想要通过隔离特定区域来提高OCR结果时。

书籍封面数据集

我们将使用这里链接的预注释书籍封面数据集，并在它上面训练一个YOLOv10模型。YOLOv10针对较小的对象进行了优化，使其非常适合在视频或扫描文档等具有挑战性的环境中检测文本。

from ultralytics import YOLO``   ``model = YOLO("yolov10n.pt")``# Train the model``model.train(data="datasets/data.yaml", epochs=50, imgsz=640)

你可以调整周期数量、数据集大小等参数，或者尝试调整超参数以提高模型的性能和准确性。

YOLOv10自定义数据集训练的关键指标

2. 在视频上运行自定义模型以获取边界框

一旦你的YOLO模型训练完成，你可以将其应用于视频以检测文本区域周围的边界框。这些边界框隔离了感兴趣的区域，确保了更干净的OCR过程：

import cv2``# Open video file``video_path = 'books.mov'``cap = cv2.VideoCapture(video_path)``# Load YOLO model``model = YOLO('model.pt')``# Function for object detection and drawing bounding boxes``def predict_and_detect(model, frame, conf=0.5):`    `results = model.predict(frame, conf=conf)`    `for result in results:`        `for box in result.boxes:`            `# Draw bounding box`            `x1, y1, x2, y2 = map(int, box.xyxy[0].tolist())`            `cv2.rectangle(frame, (x1, y1), (x2, y2), (255, 0, 0), 2)`    `return frame, results``# Process video frames``while cap.isOpened():`    `ret, frame = cap.read()`    `if not ret:`        `break`    `# Run object detection`    `processed_frame, results = predict_and_detect(model, frame)`    `# Show video with bounding boxes`    `cv2.imshow('YOLO + OCR Detection', processed_frame)`    `if cv2.waitKey(1) & 0xFF == ord('q'):`        `break``# Release video``cap.release()``cv2.destroyAllWindows()``

这段代码实时处理视频，绘制检测到的文本周围的边界框，并隔离这些区域，为下一步——OCR——做好了完美的准备。

3. 在边界框上运行OCR

现在我们已经用YOLO隔离了文本区域，我们可以在这些特定区域内应用OCR，与在整个图像上运行OCR相比，大大提高了准确性：

import easyocr``# Initialize EasyOCR``reader = easyocr.Reader(['en'])``# Function to crop frames and perform OCR``def run_ocr_on_boxes(frame, boxes):`    `ocr_results = []`    `for box in boxes:`        `x1, y1, x2, y2 = map(int, box.xyxy[0].tolist())`        `cropped_frame = frame[y1:y2, x1:x2]`        `ocr_result = reader.readtext(cropped_frame)`        `ocr_results.append(ocr_result)`    `return ocr_results``# Perform OCR on detected bounding boxes``for result in results:`    `ocr_results = run_ocr_on_boxes(frame, result.boxes)`    `# Extract and display the text from OCR results`    `extracted_text = [detection[1] for ocr in ocr_results for detection in ocr]`    `print(f"Extracted Text: {', '.join(extracted_text)}")

'THE, SECRET, HISTORY, DONNA, TARTT'

结果明显改善，因为OCR引擎现在只处理被特别识别为包含文本的区域，减少了从无关图像元素中误解的风险。

4. 使用Ollama改进文本

使用easyocr提取文本后，Llama 3可以进一步通过完善通常不完美和混乱的结果。OCR功能强大，但它仍然可能误解文本或返回无序的数据，特别是书籍标题或作者名称。LLM介入整理输出，将原始OCR结果转化为结构化、连贯的文本。通过用特定提示引导Llama 3来识别和组织内容，我们可以将不完美的OCR数据完善为整洁格式化的书籍标题和作者名称。最好的部分？你可以使用Ollama在本地运行它！

import ollama``# Construct a prompt to clean up the OCR output``prompt = f"""``- Below is a text extracted from an OCR. The text contains mentions of famous books and their corresponding authors.``- Some words may be slightly misspelled or out of order.``- Your task is to identify the book titles and corresponding authors from the text.``- Output the text in the format: '<Name of the book> : <Name of the author>'.``- Do not generate any other text except the book title and the author.``TEXT:``{output_text}``"""``# Use Ollama to clean and structure the OCR output``response = ollama.chat(`    `model="llama3",`    `messages=[{"role": "user", "content": prompt}]``)``# Extract cleaned text``cleaned_text = response['message']['content'].strip()``print(cleaned_text)

The Secret History : Donna Tartt

一旦LLM清理了文本，抛光后的输出可以存储在数据库中，或用于各种实际应用，例如：

数字图书馆或书店：自动分类并显示书籍标题及其作者。
档案系统：将扫描的书籍封面或文件转换为可搜索的数字记录。
自动元数据生成：根据提取的信息为图像、PDF或其他数字资产生成元数据。
数据库输入：将清理后的文本直接插入数据库，确保更大系统中的数据结构化和一致性。

通过结合对象检测、OCR和LLMs，你解锁了一个强大的管道，用于更结构化的数据处理，非常适合需要高精度的应用。

结论

你可以通过结合自定义训练的YOLOv10模型和EasyOCR，并使用LLM增强结果，显著改进文本识别工作流程。无论你是在处理棘手的图像或视频中的文本，清理OCR混乱，还是使一切超级抛光，这个管道都能为你提供实时、激光精确的文本提取和细化。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述