基于视觉模型的 OCR 识别探究

[dwqs]

目前，在日常工作中需要经常用到 OCR，而目前一些在线工具已不能满足需求，需要更高效的 OCR 工具来解决日常工作需要，于是把探究方向转向了视觉大模型。

OCR及其原理

OCR（Optical Character Recognition，光学字符识别）是一种将图像中的文字转换为可编辑文本的技术。广泛应用于文档数字化、车牌识别、手写识别等领域。其核心流程包括图像预处理、文本检测、字符识别和后处理：

传统的 OCR 识别技术主要分为三类，对比如下：

技术类型	优点	缺点	适用场景
模板匹配	实现简单，速度快	对字体、大小变化敏感	固定格式文档识别
特征提取	灵活性较高，鲁棒性较好	特征设计复杂，对噪声敏感	印刷体识别、简单手写识别
深度学习	精度高，鲁棒性强，自动化	需要大量数据，计算资源要求高	复杂场景、多语言OCR

典型的开源方案代表是 Tesseract。此外，主要大厂也都提供了相关的 API 服务。

新方向：视觉模型

基于视觉模型的 OCR 识别依靠深度学习、统一框架等原理，采用端到端的方式，直接从图像中提取文本信息。对于复杂场景（如自然场景文本、多语言、手写体）有更强的适应能力，并且不需要人工预先设计识别规则和字符特征，模型会自动学习最优特征。

与传统 OCR 识别的对比如下：

	性能对比	数据需求&泛化能力	适用场景
传统 OCR	1. 在固定字体、清晰背景下的精度较高，但在复杂场景中表现较差 2. 对噪声、形变、字体变化等鲁棒性较低 3. 计算速度较快，适合实时性要求高的场景	1. 需要少量标注数据，主要依赖人工设计的规则和特征 2. 泛化能力有限，难以适应新场景和新字体	1. - 固定格式文档（如银行支票、发票） 2. 印刷体文本识别 3. 对实时性要求高的场景（如车牌识别）
视觉模型	1. 在复杂场景（如自然场景、多语言、手写体）中精度显著高于传统OCR 2. 对噪声、形变、字体变化等有更强的鲁棒性 3. 计算速度较慢，但随着模型优化和硬件加速，逐渐接近实时性要求	1. 需要大量标注数据进行预训练和微调 2. 泛化能力强，能够适应多种场景、语言和字体	1. 自然场景文本识别（如街景、广告牌） 2. 多语言、多字体文本识别 3. 手写体识别 4. 复杂背景下的文本提取

开源的视觉模型很多，代表有 Qwen2-VL 、LLAMA 以及 PaddleOCR。此外，很多云服务也都提供了相关的 API 接口，如 Google Vision API

以上内容参考了 deepseek-v3，请谨慎识别

本地接入视觉模型

以 Meta 的 LLAMA 为例，介绍本地接入模型的流程：

1. 安装 Ollama
2. 拉取 LLAMA 模型：ollama run llama3.2-vision:11b
3. 用 React/Vue 等框架的脚手架创建一个项目，核心代码如下：

// 引入 ollama
import { Ollama } from 'ollama/browser' // 浏览器端

import { Ollama } from 'ollama' // node端接入

// 其它代码

const response = await ollama.generate({
  model: 'llama3.2-vision:11b', // 也可以是 LLava 等其它 Ollama 支持的模型
  prompt: 'Please look at this image and extract all the text content. Structure the output as JSON',
  stream: false,
  images: [图片的 base64 数据], 
  // 以 json 形式输出识别结果，也可以通过 prompt 让 llama 以 markdown/text 等格式输出结果
  format: 'json' // format 是 ollama 的接口参数
})

console.log(response?.response) // 输出识别结果

以上，就可在本地接入模型。也可以在 docker 搜索：debounce/ollama-ocr，快速运行 demo。

ollama ocr 源代码：https://github.com/dwqs/ollama-ocr

OCR 识别 PK

在工作中我用到 OCR 的场景主要有两个：

1. 识别某段简短文本
2. 识别接口数据

结合这两个具体场景，对各方案进行一个识别对比：

输入图片	OCR在线识别工具	Tesseract	LLAMA-3.2	MiniCPM-V 2.6	Qwen2-VL	PaddleOCR

OCR在线识别工具调用的是百度 API

从上述对比结果看，有如下结论：

• llama 对中文的识别支持不太好，Text + Image 场景下，对英语的支持是最优的
• llama / MiniCPM / Qwen2-VL 对接口数据的识别是最强的，识别结果可以直接用，其它几个模型都需要二次排版
• PaddleOCR / MiniCPM / Qwen2-VL 都支持中文识别

DeepSeek

DeepSeek 上月开源了两款模型：DeepSeek-VL2 和 DeepSeek-V3。V3 的发布在国内外的 AI 领域都引发了很多的讨论，它以一个极低的训练成本达到了极佳的训练效果，无论是和 Meta 的开源模型 LLaMA3.1 还是和闭源模型 GPT-4o/Claude-3.5 对比，各项测评指标都不分伯仲或略微领先，但训练成本预估是后三者的 1/11 - 1/8，人送 AI 界的「拼多多」, 每百万输入 tokens 的价格低到了 0.1 CNY。

DeepSeek 是杭州的量化基金公司幻方量化开发的，A股股民对此作出了不可磨灭的贡献🐶🐶🐶

VL2 是视觉模型，我用上面三张图测试了 VL 的第一个版本 ，从测试结果看，第一个版本对中文的识别跟 llama 不分上下😂😂😂。鉴于 DeepSeek-V3 相较于 DeepSeek-V2 有了很大的飞跃，我对于 VL2 的改进也有所期待，后续可以研究一下怎么进行本地接入。

我也拿图片去试了 DeepSeek-V3 模型，发现其识别结果也不错(从上到下，依次是上面四张图的结果）：

看来在日常工作中，大语言模型也是 OCR 识别应用的一个方向。如果想体验 DeepSeek V3，可以下载 VSCode 的 Cline 插件，配置 DeepSeek 作为接口服务方用于日常工作：

资源

• 2024年的大模型总结：https://simonwillison.net/2024/Dec/31/llms-in-2024/
• 上一篇总结的非官方中译：https://www.163.com/dy/article/JKTHVG4C0511AQHO.html
• 关于幻方的一篇采访：疯狂的幻方：一家隐形AI巨头的大模型之路
• RapidOCR: https://huggingface.co/spaces/SWHL/RapidOCRDemo
• EasyOCR: https://www.jaided.ai/easyocr/
• 截止到 2024 年底的 AI 模型排名：https://lmarena.ai/?leaderboard
  • 前 10 中，DeepSeek V3 是唯一的开源模型，排名第 7
  • 2023 年底排名第一的 GPT-4 掉到了 69 名，AI 的发展速度快得难以想象