wordpress怎样建立二级菜单,seo网页优化工具,wordpress商品宣传,做公司网站怎么做《博主简介》 小伙伴们好#xff0c;我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源#xff0c;可关注公-仲-hao:【阿旭算法与机器学习】#xff0c;共同学习交流~ #x1f44d;感谢小伙伴们点赞、关注#xff01; 《------往期经典推…《博主简介》 小伙伴们好我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源可关注公-仲-hao:【阿旭算法与机器学习】共同学习交流~ 感谢小伙伴们点赞、关注 《------往期经典推荐------》
一、AI应用软件开发实战专栏【链接】
项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【太基于深度学习的阳能电池板检测与分析系统】59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】65.【基于深度学习的道路交通事故检测识别系统】66.【基于深度学习的安检X光危险品检测与识别系统】
二、机器学习实战专栏【链接】已更新31期欢迎关注持续更新中~~ 三、深度学习【Pytorch】专栏【链接】 四、【Stable Diffusion绘画系列】专栏【链接】 五、YOLOv8改进专栏【链接】持续更新中~~ 六、YOLO性能对比专栏【链接】持续更新中~
《------正文------》 目录 引言为什么我们需要使用OCR的YOLO和Ollama1.训练自定义Yolo11数据集2.在视频上运行边界框的自定义模型3.在边界框上运行OCR4.使用Ollama优化文本结论 引言 该项目通过将自定义训练的YOLO11模型与EasyOCR集成并使用LLM优化结果来增强文本识别工作流程LLM。
本文将大型语言模型LLMs与计算机视觉结合通过计算机视觉训练的YOLO11模型定位文本区域之后通过OCR的文本识别之后最终大语言模型进行识别结果优化以获取更加准确的文本识别效果。
为什么我们需要使用OCR的YOLO和Ollama
传统的OCR光学字符识别方法可以很好地从简单的图像中提取文本但当文本与其他视觉元素交织在一起时往往会出现问题。通过使用自定义YOLO模型首先检测文本区域等对象我们可以隔离这些区域进行OCR从而显著降低噪声并提高准确性。
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(fDetected Text: {text} (Probability: {prob}))
THE 0 R |G |NAL B E STSELLE R THE SECRET HISTORY DONNA TARTT Haunting, compelling and brilliant The Times 不是你想要的对吧虽然它可以很好地处理简单的图像但当有噪音或复杂的视觉模式时错误就会开始堆积。这就是YOLO模型介入并真正发挥作用的地方。
1.训练自定义Yolo11数据集
通过对象检测增强OCR的第一步是在数据集上训练自定义YOLO模型。YOLOYou 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使其能够在一次向前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您希望通过隔离特定区域来改善OCR结果时。 我们将使用预先标注的书籍封面数据集并在其上训练YOLO11模型。YOLO11针对较小的对象进行了优化使其非常适合在具有挑战性的上下文如视频或扫描文档中检测文本。
from ultralytics import YOLOmodel YOLO(yolo11.pt)
# Train the model
model.train(datadatasets/data.yaml, epochs50, imgsz640)在我的例子中在Google Colab上训练这个模型花了大约六个小时50个时期。您可以调整参数如epoch数量和数据集大小或使用超参数进行实验以提高模型的性能和准确性。 2.在视频上运行边界框的自定义模型
一旦YOLO模型经过训练您就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清晰的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, conf0.5):results model.predict(frame, confconf)for result in results:for box in result.boxes:# Draw bounding boxx1, 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 detectionprocessed_frame, results predict_and_detect(model, frame)# Show video with bounding boxescv2.imshow(YOLO OCR Detection, processed_frame)if cv2.waitKey(1) 0xFF ord(q):break
# Release video
cap.release()
cv2.destroyAllWindows()此代码实时处理视频在检测到的文本周围绘制边界框并隔离这些区域为下一步- OCR完美地设置它们。
3.在边界框上运行OCR
现在我们已经使用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 resultsextracted_text [detection[1] for ocr in ocr_results for detection in ocr]print(fExtracted Text: {, .join(extracted_text)})
THE, SECRET, HISTORY, DONNA, TARTT结果得到了显著改善因为OCR引擎现在只处理明确识别为包含文本的区域降低了不相关图像元素的误解风险。
4.使用Ollama优化文本
在使用easyocr提取文本之后Llama 3可以通过改进通常不完美和混乱的结果来进一步改进。OCR功能很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姓名。
LLM介入整理输出将原始OCR结果转换为结构化的连贯文本。通过引导Llama 3使用特定的提示来识别和组织内容我们可以将不完善的OCR数据细化为格式整齐的书名和作者姓名。最精彩的部分你可以在本地使用Ollama
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(modelllama3,messages[{role: user, content: prompt}]
)
# Extract cleaned text
cleaned_text response[message][content].strip()
print(cleaned_text)
The Secret History : Donna Tartt完全正确一旦LLM清理了文本抛光输出可以存储在数据库中或在各种现实世界的应用程序中工作例如
数字图书馆或书店自动分类和显示图书标题旁边的作者。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大型系统的结构化和一致的数据。
通过结合对象检测、OCR和LLMs您可以解锁一个强大的管道实现更结构化的数据处理非常适合需要高精度的应用程序。
结论
您可以通过将自定义训练的YOLO11模型与EasyOCR相结合并使用LLM增强结果来显着改进文本识别工作流程。LLM无论您是处理棘手的图像或视频中的文本清理OCR混乱还是使一切都超级精美此管道都可以为您提供实时精确的文本提取和细化。 好了这篇文章就介绍到这里喜欢的小伙伴感谢给点个赞和关注更多精彩内容持续更新~~ 关于本篇文章大家有任何建议或意见欢迎在评论区留言交流
