AI驱动的图像文本提取【Llama 3.2-Vision】

本月初，我尝试了书籍封面识别，将 YOLOv10、EasyOCR 和 Llama 3 结合成一个无缝工作流程。结果如何？我自信地从书籍封面中提取标题和作者，就像这是我的新超能力一样。你可以在这篇文章中查看这一旅程：使用自定义 Yolov10 和 Ollama (Llama 3) 增强 OCR。

但猜怎么着？仅仅几周后，这种方法已经开始感觉像流媒体时代的旧 VHS 录像带。为什么？随之而来的是 Llama 3.2-Vision——闪亮、新颖、超群的兄弟——完全提高了标准，让我之前的方法感觉像是来自恐龙。

让我们深入探讨为什么这种新方法会改变游戏规则

1、从优秀到卓越：进入 Llama 3.2-Vision

Llama 3.2-Vision 增强了 OCR + 信息提取管道。新的“视觉”支持使其比以前的版本更智能、更快速、更高效。

Llama 3.1 负责清理原始 OCR 输出，但 Llama 3.2-Vision 不仅能完成这些工作，还能做更多 — 直接处理图像，减少麻烦，减少对 EasyOCR 等第三方 OCR 工具的需求。它将所有内容集成到一个简单、精简的流程中。

这简化了工作流程并提高了准确性，因为 Llama 3.2-Vision 可以一次性完成整个任务：分析图像、检测文本并根据您的要求对其进行结构化。

2、Llama 3.2-Vision：如何安装和使用

在深入研究代码之前，你需要安装最新版本的 Ollama 来运行 Llama 3.2-Vision。请按照这篇文章获取分步指南。

安装后，直接从图像中提取书名和作者的代码非常简单：

from PIL import Image
import base64
import io

def image_to_base64(image_path):
    # Open the image file
    with Image.open(image_path) as img:
        # Create a BytesIO object to hold the image data
        buffered = io.BytesIO()
        # Save the image to the BytesIO object in a specific format (e.g., JPEG)
        img.save(buffered, format="PNG")
        # Get the byte data from the BytesIO object
        img_bytes = buffered.getvalue()
        # Encode the byte data to base64
        img_base64 = base64.b64encode(img_bytes).decode('utf-8')
        return img_base64

# Example usage
image_path = 'image.png'  # Replace with your image path
base64_image = image_to_base64(image_path)

import ollama

# Use Ollama to clean and structure the OCR output
response = ollama.chat(
    model="x/llama3.2-vision:latest",
    messages=[{
      "role": "user",
      "content": "The image is a book cover. Output should be in this format - <Name of the Book>: <Name of the Author>. Do not output anything else",
      "images": [base64_image]
    }],
)
# Extract cleaned text
cleaned_text = response['message']['content'].strip()
print(cleaned_text)

让我们看几个例子——

示例 1：单张图片输入

我们从上一篇文章中使用的单本书封面图片开始。

输出：

The Secret History: Donna Tartt.

该模型成功识别了书名和作者的全名，并根据指定的模板完美格式化。

示例 2：生成作者的全名

在这种情况下，作者的名字不完整。

Soure: Gyaanstore

输出：

Norwegian Wood: Haruki Murakami.

该模型毫不费力地精确提取了书名和作者姓名的可用部分。但令人印象深刻的是：它智能地填写了缺失的名字，给我们完整的作者姓名，就像它一直在那里一样。

示例 3：多本书

如果我们一次提供多本书封面的图片会怎么样？

Source: Elocalshop

输出：

Norwegian Wood: Haruki Murakami
Kafka on the Shore: Haruki Murakami
Men Without Women: Haruki Murakami
Sputnik Sweetheart: Haruki Murakami
South of the Border, West of the Sun: Haruki Murakami
A Wild Sheep Chase: Haruki Murakami
Birthday Stories: Haruki Murakami
Underground: Haruki Murakami
After Dark: Haruki Murakami
After the Quake: Haruki Murakami
The Elephant Vanishes: Haruki Murakami

该模型处理每幅图像并输出相应的标题和作者，使其能够灵活地批量处理多本书。

示例 4：书堆

在此场景中，我们呈现了一张多本书堆叠在一起的图像，就像它们在真实场景中一样

Souce: Typing Madly

输出：

* Norwegian Wood: Haruki Murakami
* Sputnik Sweetheart: Haruki Murakami
* After Dark: Haruki Murakami
* Dance, Dance, Dance: Haruki Murakami
* Kafka on the Shore: Haruki Murakami
* Hear the Wind Sing: Haruki Murakami
* A Wild Sheep Chase: Haruki Murakami
* Blind Willow, Sleeping Woman: Haruki Murakami
* After the Quake: Haruki Murakami
* The Wind-Up Bird Chronicle: Haruki Murakami

即使在书籍堆叠或部分被遮挡的情况下，Llama 3.2-Vision 也能尽可能准确地识别书名和作者。

3、有什么变化？

在我之前的方法中，我首先使用 YOLOv10 检测书籍封面上的文本区域，然后将这些区域通过 EasyOCR 进行文本提取，最后依靠 Llama 3 清理结果。现在，有了 Llama 3.2-Vision，这是一个一体化的流畅过程：我给它输入一张图片，它会立即给我一个随时可用的结构化响应——不再需要在多个模型之间来回切换。

以下是快速比较：

旧方法：