OCR текста на изображениях с Ultralytics YOLO26

Что такое OCR текста на изображениях?#

Распознавание символов (OCR) обнаруживает и считывает текст на изображениях. Решение для OCR сочетает детектор текста Ultralytics YOLO26 с бэкендом распознавания текста. Оно поддерживает осево-ориентированные рамки обнаружения, повёрнутые рамки (OBB) и полигоны сегментации, а затем возвращает распознанный текст в порядке чтения.

Обнаружение и распознавание — отдельные компоненты, поэтому ты можешь сочетать детектор текста на изображениях с PaddleOCR или собственной моделью распознавания.

Зачем использовать OCR текста на изображениях?#

• Гибкая геометрия текста: используй модели обнаружения, OBB или сегментации для горизонтального, повёрнутого и неровно расположенного текста.
• Взаимозаменяемое распознавание: запускай PaddleOCR без дополнительного кода интеграции или передавай вызываемый объект для другой модели.
• Структурированный вывод: получай распознанный текст, уверенность распознавания и обнаружения, исходную геометрию и изображение с аннотациями из одного объекта результатов.

Запусти OCR текста на изображениях с YOLO26#

PaddleOCR необязателен и загружается при создании решения OCR с параметром recognizer="paddleocr"; при необходимости устанавливаются PaddleOCR 3.x и сборка PaddlePaddle для CPU. Для распознавания на GPU сначала установи подходящую сборку paddlepaddle-gpu; пакеты для OCR не добавляются в базовые зависимости Ultralytics.

Передай изображение и детектор текста в решение OCR. Результат содержит изображение с аннотациями и распознанный текст:

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

Контрольные точки YOLO26-Text#

В открытое семейство YOLO26-Text входят контрольные точки n, s, m, l и x для OBB. Укажи ULTRALYTICS_API_KEY, присвоив ему собственный ключ API Платформы Ultralytics, а затем загрузи контрольную точку по URI платформы:

export ULTRALYTICS_API_KEY="your-api-key"

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

Замени yolo26n-text на yolo26s-text, yolo26m-text, yolo26l-text или yolo26x-text, чтобы использовать более крупную модель.

Аргументы OCR#

Вот таблица с аргументами OCR:

Также поддерживаются следующие настройки визуализации:

Как работает OCR текста на изображениях#

1. Обнаружение текста: YOLO26 формирует осево-ориентированные рамки, повёрнутые рамки или полигоны сегментации.
2. Создание фрагментов для распознавания: рамки обрезаются по границам изображения. OBB выравниваются аффинным преобразованием вдоль ребра, которое простирается слева направо на наибольшее расстояние, поэтому почти квадратные рамки остаются вертикальными, а наклонные строки текста располагаются горизонтально в направлении чтения. Для полигонов сегментации выравнивается минимальный охватывающий повёрнутый прямоугольник, при этом исходный полигон сохраняется. Фрагменты, высота которых как минимум в 1,5 раза превышает ширину, поворачиваются на 90° против часовой стрелки, как в PaddleOCR.
3. Распознавание текста: PaddleOCR обрабатывает все фрагменты пакетами по 16. Пользовательские распознаватели получают по одному фрагменту за раз.
4. Упорядочивание и отрисовка результатов: текст группируется в горизонтальные строки и упорядочивается сверху вниз и слева направо. Для не-ASCII-текста, например китайского, при визуализации используется шрифт Unicode.

Координаты всегда относятся к исходному изображению, а не к входным данным детектора или фрагменту для распознавания.

Использование пользовательского распознавателя#

Передай вызываемый объект, чтобы подключить другую модель распознавания, не меняя этапы обнаружения, обработки геометрии и упорядочивания. Вызываемый объект запускается один раз для каждого непустого фрагмента BGR numpy.ndarray. При каждом вызове возвращай один кортеж (text, confidence), а не список результатов пакетной обработки:

def recognize(crop):
    # Запусти модель распознавания на фрагменте BGR и декодируй здесь её вывод.
    return "example", 0.95

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

При указании неподдерживаемого имени бэкенда возникает ошибка ValueError. Если текст не обнаружен, result.texts остаётся пустым, а распознаватель не вызывается.

Результаты OCR#

Каждый вызов возвращает объект SolutionResults. Используй result.plot_im для изображения с аннотациями, а result.texts — для записей в детерминированном порядке чтения:

Зависимости и лицензии#

При первом использовании PaddleOCR может загрузить веса для распознавания. Перед упаковкой или развёртыванием этих артефактов ознакомься с карточкой выбранной модели и условиями распространения. Для пользовательских контрольных точек действуют отдельные лицензии.

Часто задаваемые вопросы#