Ultralytics YOLO26によるシーンテキストOCR

シーンテキストOCRとは何ですか？#

光学文字認識（OCR）は、画像内のテキストを検出して読み取ります。OCRソリューションは、Ultralytics YOLO26テキスト検出器とテキスト認識バックエンドを組み合わせます。軸に沿った検出ボックス、回転ボックス（OBB）、セグメンテーションポリゴンに対応し、認識したテキストを読み取り順に返します。

検出と認識は別々のコンポーネントであるため、シーンテキスト検出器をPaddleOCRまたは独自の認識モデルと組み合わせることができます。

シーンテキストOCRを使用する理由#

• 柔軟なテキスト形状： 検出モデル、OBBモデル、またはセグメンテーションモデルを使用して、水平、回転、または不規則なテキストを処理できます。
• 交換可能な認識機能： 追加の統合コードなしでPaddleOCRを実行するか、別のモデル用の呼び出し可能オブジェクトを渡せます。
• 構造化された出力： 1つの結果オブジェクトから、認識テキスト、認識および検出の信頼度、元の形状、注釈付き画像にアクセスできます。

YOLO26でシーンテキストOCRを実行する#

PaddleOCRはオプションであり、OCRをrecognizer="paddleocr"で作成すると読み込まれます。このとき、PaddleOCR 3.xとCPU版PaddlePaddleが未インストールであればインストールされます。GPUで認識するには、先に適合するpaddlepaddle-gpuビルドをインストールしてください。基本のUltralytics依存関係にはOCRパッケージは追加されません。

画像とテキスト検出器をOCRソリューションに渡します。結果には注釈付き画像と認識テキストが含まれます。

yolo solutions ocr model="scene-text-obb.pt" source="path/to/video.mp4" recognizer="paddleocr"

YOLO26-Textチェックポイント#

公開されているYOLO26-Textファミリーには、n、s、m、l、およびxのOBBチェックポイントがあります。ULTRALYTICS_API_KEYに独自のUltralytics Platform APIキーを設定し、Platform URIでチェックポイントを読み込みます。

export ULTRALYTICS_API_KEY="your-api-key"

ocr = solutions.OCR(model="ul://ultralytics-yolo/yolo26-text/yolo26n-text", recognizer="paddleocr")
result = ocr(im0)

より大きなモデルを使用するには、yolo26n-textをyolo26s-text、yolo26m-text、yolo26l-text、またはyolo26x-textに置き換えます。

OCRの引数#

OCRの引数を以下の表に示します。

さらに、以下の可視化設定もサポートされています。

シーンテキストOCRの仕組み#

1. テキストを検出： YOLO26は、軸に沿ったボックス、回転ボックス、またはセグメンテーションポリゴンを生成します。
2. 認識用クロップを作成： ボックスは画像の範囲内にクリップされます。OBBは、左右方向に最も長く広がる辺に沿ってアフィン補正されるため、ほぼ正方形のボックスは直立したままになり、傾いたテキスト行は読み取り方向に水平になります。セグメンテーションポリゴンでは、最小面積の回転矩形を補正し、元のポリゴンを保持します。幅の1.5倍以上の高さがあるクロップは、PaddleOCRと同様に反時計回りに90°回転します。
3. テキストを認識： PaddleOCRは、すべてのクロップを16件ずつのバッチで処理します。カスタム認識器には、一度に1つのクロップが渡されます。
4. 結果を並べ替えて描画： テキストを水平な行にまとめ、上から下、左から右の順に並べます。可視化では、中国語などのASCII以外のテキストにUnicodeフォントを使用します。

座標は常に元の画像を基準とし、検出器への入力画像や認識用クロップは基準としません。

カスタム認識器を使用する#

呼び出し可能オブジェクトを渡すと、検出、形状、並べ替えの処理経路を変更せずに別の認識モデルを統合できます。呼び出し可能オブジェクトは、空でないBGRのnumpy.ndarrayクロップごとに1回実行されます。バッチ結果のリストではなく、呼び出しごとに(text, confidence)タプルを1つ返します。

def recognize(crop):
    # BGRクロップに対して認識モデルを実行し、ここで出力をデコードします。
    return "example", 0.95

ocr = solutions.OCR(model="custom-text.pt", recognizer=recognize)
result = ocr(im0)

サポートされていないバックエンド名を指定すると、ValueErrorが発生します。テキストが検出されない場合、result.textsは空になり、認識器は呼び出されません。

OCRの結果#

各呼び出しはSolutionResultsオブジェクトを返します。注釈付き画像にはresult.plot_imを、決定的な読み取り順のレコードにはresult.textsを使用します。

依存関係とライセンス#

PaddleOCRは初回使用時に認識用の重みをダウンロードする場合があります。これらのアーティファクトをパッケージ化またはデプロイする前に、選択したモデルのモデルカードと再配布条件を確認してください。カスタムチェックポイントのライセンスは別途適用されます。

よくある質問#