silicon-paddle-ocr

OCR - 画像テキスト認識

PaddleOCR を使用して、画像からテキストを抽出します。単一画像または一括処理に対応しています。

概要

このスキルは、SiliconFlow API 経由で PaddlePaddle/PaddleOCR-VL-1.5 モデルを使用し、光学文字認識（OCR）機能を提供します。JPG、PNG、WebP、BMP、GIF 画像からテキストを抽出します。

使用する場面

次の場合にこのスキルを呼び出します：

• ユーザーが画像からテキストを抽出したい場合
• ユーザーがスクリーンショットや写真の OCR を依頼した場合
• ユーザーが画像ファイル内のテキストを読み取る必要がある場合
• ユーザーが画像からのテキスト認識について言及した場合

使用方法

前提条件

SILICONFLOW_API_KEY 環境変数が設定されていることを確認します：

export SILICONFLOW_API_KEY="your_api_key"

基本的な使い方

OCR スクリプトを実行します：

python3 scripts/ocr_skill.py [options] image_path

引数

引数	説明
images	画像ファイルのパス（複数可）または glob パターン（必須）
-k, --api-key	API キー（デフォルト：SILICONFLOW_API_KEY 環境変数の値）
-m, --model	OCR モデル名（デフォルト：PaddlePaddle/PaddleOCR-VL-1.5）
-p, --prompt	動作をカスタマイズするための認識プロンプト
-j, --json	結果を JSON 形式で出力
-o, --output	結果を指定したファイルに保存
--max-tokens	応答の最大トークン数（デフォルト：2000）

例

単一画像：

python3 scripts/ocr_skill.py /path/to/image.jpg

glob を使用した複数画像：

python3 scripts/ocr_skill.py /path/to/images/*.png

JSON 出力形式：

python3 scripts/ocr_skill.py --json /path/to/image.jpg

表を抽出するためのカスタムプロンプト：

python3 scripts/ocr_skill.py -p "Please identify and format table content as Markdown" /path/to/table.jpg

ファイルに保存：

python3 scripts/ocr_skill.py --json --output results.json /path/to/images/*.jpg

出力形式

テキスト出力（デフォルト）：

--- image.jpg ---
识别到的文字内容
识别到 X 处文字区域

JSON 出力：

{
  "image.jpg": {
    "image_path": "/path/to/image.jpg",
    "image_size": [width, height],
    "texts": [
      {
        "text": "识别的文字",
        "box": [[x1, y1], [x2, y2], [x3, y3], [x4, y4]]
      }
    ],
    "full_text": "所有文本的组合"
  },
  "image2.png": { ... }
}

座標の説明：

• LOC 値は正規化された座標で、ピクセル座標に変換されます
• 変換式：pixel = LOC × (image_size / LOC_max_value)
• LOC の max_value は約 972 です（モデルや画像によって異なる場合があります）
• box フィールドには、各テキスト領域の四隅の座標がピクセル形式で格納されます

対応画像形式

• JPG/JPEG
• PNG
• WebP
• BMP
• GIF

エラー処理

処理に失敗した場合：

• 画像ファイルが存在することを確認します
• SILICONFLOW_API_KEY が有効であることを確認します
• API エンドポイントに接続できることを確認します

処理に失敗した画像にはエラーメッセージが表示され、ほかの画像の処理は続行されます。

追加リソース

リファレンスファイル

• references/api-configuration.md - API 設定の詳細

サンプルファイル

• examples/sample-usage.sh - 使用例のスクリプト

スクリプト

• scripts/ocr_skill.py - OCR のメイン実装