1. 训练自定义 Yolov10 数据集
利用物体检测增强 OCR 的第一步是在数据集上训练自定义 YOLO 模型。YOLO（只看一遍）是一种功能强大的实时对象检测模型，它将图像划分为网格，使其能够在一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，尤其是当你想通过隔离特定区域来改善 OCR 结果时。YOLOv10 针对较小的对象进行了优化，因此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)
在 Google Colab 上训练这个模型用了大约 6 个小时，共 50 个历元。你可以调整epochs次数和数据集大小等参数，或者尝试使用超参数来提高模型的性能和准确性。
2. 在视频上运行自定义模型检测边框
训练好 YOLO 模型后，你就可以将其应用到视频中，检测文本区域周围的边框。这些边框可以隔离感兴趣的区域，确保 OCR 过程更加简洁：
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()
这段代码会实时处理视频，在检测到的文本周围绘制边框，并隔离这些区域，为下一步--OCR--做好完美准备。
3. 在边框上运行 OCR
既然我们已经用 YOLO 隔离了文本区域，我们就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'
结果有了明显改善，因为 OCR 引擎现在只处理被明确识别为包含文本的区域，从而降低了无关图像元素造成误读的风险。
4. 使用 Ollama 改进文本
使用 easyocr 提取文本后，Llama 3 可以进一步完善往往不完美和杂乱无章的结果。OCR 功能强大，但仍有可能误读文本或返回不符合顺序的数据，尤其是书名或作者姓名。
LLM 可以对输出结果进行整理，将原始 OCR 结果转化为结构化、连贯的文本。通过用特定的提示引导 Llama 3 识别和组织内容，我们可以将不完美的 OCR 数据细化为格式整齐的书名和作者姓名。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
这是正确的！一旦 LLM 对文本进行了清理，经过润色的输出结果就可以存储到数据库中，或在各种实际应用中发挥作用，例如：
- 数字图书馆或书店： 自动分类和显示书名及其作者。
- 档案系统： 将扫描的书籍封面或文档转换为可搜索的数字记录。
- 自动生成元数据： 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，确保为大型系统提供结构化和一致的数据。
通过将对象检测、OCR 和 LLM 相结合，你就可以为更多结构化数据处理开启一个强大的管道，非常适合需要高精度的应用。
结论
通过将自定义训练的 YOLOv10 模型与 EasyOCR 相结合，并使用 LLM 增强结果，你可以大大改进文本识别工作流程。无论你是要处理棘手图像或视频中的文本，还是要清理 OCR 混乱，或者是要使一切都变得更加完美，这个管道都能为你提供实时、精确的文本提取和完善。