silicon-paddle-ocr

OCR - 图像文本识别

使用 PaddleOCR 从图像中提取文本内容。支持单张图像或批量处理。

概述

此技能通过 SiliconFlow API 使用 PaddlePaddle/PaddleOCR-VL-1.5 模型提供光学字符识别（OCR）功能。可从 JPG、PNG、WebP、BMP 和 GIF 图像中提取文本。

使用时机

在以下情况下调用此技能：

• 用户想从图像中提取文本
• 用户要求识别截图或照片中的文字
• 用户需要读取图像文件中的文本
• 用户提到图像文本识别

使用方法

前提条件

确保已设置 SILICONFLOW_API_KEY 环境变量：

export SILICONFLOW_API_KEY="your_api_key"

基本用法

执行 OCR 脚本：

python3 scripts/ocr_skill.py [options] image_path

参数

参数	说明
images	图像文件路径或 glob 模式（必填）
-k, --api-key	API 密钥（默认值：取自 SILICONFLOW_API_KEY 环境变量）
-m, --model	OCR 模型名称（默认值：PaddlePaddle/PaddleOCR-VL-1.5）
-p, --prompt	用于自定义行为的识别提示词
-j, --json	以 JSON 格式输出结果
-o, --output	将结果保存到指定文件
--max-tokens	响应中的最大令牌数（默认值：2000）

示例

单张图像：

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

使用 glob 处理多张图像：

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

JSON 输出格式：

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

用于提取表格的自定义提示词：

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

保存到文件：

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

输出格式

文本输出（默认）：

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

JSON 输出：

{
  "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": { ... }
}

坐标说明：

• LOC 值是转换为像素坐标后的归一化坐标
• 转换公式：像素值 = LOC ×（图像尺寸 / LOC 最大值）
• LOC 最大值约为 972（可能因模型或图像而异）
• box 字段提供每个文本区域的四个角的像素坐标

支持的图像格式

• JPG/JPEG
• PNG
• WebP
• BMP
• GIF

错误处理

如果处理失败：

• 检查图像文件是否存在
• 确认 SILICONFLOW_API_KEY 有效
• 确保 API 端点可访问

处理失败的图像会显示错误消息，其他图像仍会继续处理。

其他资源

参考文件

• references/api-configuration.md - API 配置详情

示例文件

• examples/sample-usage.sh - 用法示例脚本

脚本

• scripts/ocr_skill.py - OCR 的主要实现