OCR分享--通义千问-MAX,UMI-OCR和飞浆OCR

背景：需要识别尺码图片的信息

这里我一共用过三种方法

1、通义千问的max模型：通过base64
import os
import json
import base64
from openai import OpenAI
from config import Config
from PIL import Image
import time
from datetime import datetime
import cv2
client = OpenAI(
    api_key=Config.DASHSCOPE_API_KEY,
    base_url=Config.DASHSCOPE_URL,
    default_headers={
        "Content-Type": "application/json",
        "Authorization": f"Bearer {Config.DASHSCOPE_API_KEY}",
    }
)

system_prompt = """
# 角色
你是一名专业的 OCR 尺码识别助手并将识别结果格式化为标准 Markdown 表格输出。

## 能力

####内容脱敏

  
## 工作流程
1. 接收到图片后，使用 OCR 技术识别其中的尺码表格。
2. 提取并结构化表格信息，保留原有列顺序。

4. 以 Markdown 表格形式输出结果，不添加任何额外说明。

## 输出格式
- 仅输出 Markdown 表格，不包含任何其他文本或解释。
- 表格必须符合标准 Markdown 语法。
- 输出示例：



## 限制

- 不输出除 Markdown 表格以外的任何内容。

"""
#压缩图片尺寸
def compress_image(image_path, max_size=720):

    image = Image.open(image_path)
    image.thumbnail((max_size, max_size))
    tmp_path = image_path.rsplit(".", 1)[0] + "_compressed.png"
    if image.mode != 'L':
        gray_image = image.convert('L')
    else:
        gray_image = image

    gray_image.save(tmp_path, format="PNG")
    return tmp_path

def perform_ocr(image_path,country):
    start_time = time.time()  # ⏱️ 开始计时
    image_path = compress_image(image_path)  # 压缩图片，保证����不超过1024x1024px
    image_format = "jpeg" if image_path.lower().endswith((".jpg", ".jpeg")) else "png"
    with open(image_path, "rb") as f:
        img_b64 = base64.b64encode(f.read()).decode("utf-8")
    image_data = f"data:image/{image_format};base64,{img_b64}"
    # 用户消息：直接字符串
    user_content = f"请识别这张尺码图片，并输出 Markdown 表格，\n图片内容：{image_data}"
    messages = [
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": user_content}
    ]



    response = client.chat.completions.create(
        model = Config.DASHSCOPE_MODEL,
        messages = messages,
        max_tokens = 4500,
        temperature = Config.DASHSCOPE_temperature,
        top_p = Config.DASHSCOPE_top_p,

        frequency_penalty = Config.DASHSCOPE_frequency_penalty,

    )


    markdown_table = response.choices[0].message.content.strip()

    end_time = time.time()  # ⏱️ 结束计时
    print(f"⏰ OCR 总耗时：{end_time - start_time:.2f} 秒")
    return markdown_table

if __name__ == "__main__":
    image_path = r"C:\Users\Admin\Desktop\图片命名\O1CN01wwhtNr1HbugI8D7Xt_!!2217014300777-0-cib.jpg"
    country = "English"
    markdown_table = perform_ocr(image_path, country)
    print(markdown_table)

那么这个识别加翻译加上标准markdown输出是75s左右，识别了3张图片还是很稳定的就是慢

2、飞浆OCR

import cv2
from paddleocr import PaddleOCR
import time
from datetime import datetime
def ocr_image(image_path, lang='ch'):
    global start_time
    start_time = time.time()  # ⏱️ 开始计时

    """
    使用PaddleOCR识别图片中的文字内容

    参数:
        image_path (str): 图片文件路径
        lang (str): 识别语言
    """
    try:
        ocr_model = PaddleOCR(lang=lang)
        result = ocr_model.predict(image_path)
        return result
    except Exception as e:
        print(f"初始化OCR模型失败: {e}")
        # 回退到默认中文模型
        ocr_model = PaddleOCR(lang='ch')
        result = ocr_model.predict(image_path)
        return result

if __name__ == "__main__":
    image_path = r"C:\Users\Admin\Desktop\ceshi\O1CN01wwhtNr1HbugI8D7Xt_!!2217014300777-0-cib.jpg"

    # 尝试使用中文识别（通常支持中英文混合）
    result = ocr_image(image_path, lang='ch')
    end_time = time.time()  # ⏱️ 结束计时
    print(f"⏰ OCR 总耗时：{end_time - start_time:.2f} 秒")
    # 解析并打印结果
    if result and len(result) > 0:
        for page_result in result:
            if isinstance(page_result, dict) and 'rec_texts' in page_result:
                texts = page_result['rec_texts']
                scores = page_result['rec_scores']
                for t, s in zip(texts, scores):
                    print(f"{t} ({s:.3f})")
            elif isinstance(page_result, list):
                # 处理列表格式的结果
                for item in page_result:
                    if len(item) >= 2:
                        text_info = item[1]
                        if len(text_info) >= 2:
                            text = text_info[0]
                            score = text_info[1]

                            print(f"{text} ({score:.3f})")
同一张图片仅做识别是35秒，置信区间在0.90以上

3、umi-ocr

同一张图0.9s支持http服务，同时 可以部署服务器直接调用给到夯