Ollama-OCR 只需几行代码，轻松实现高质量文字识别！

文章预览

Llama 3.2-Vision 是一种多模态大型语言模型，有 11B 和 90B 两种大小，能够处理文本和图像输入，生成文本输出。该模型在视觉识别、图像推理、图像描述和回答图像相关问题方面表现出色，在多个行业基准测试中均优于现有的开源和闭源多模态模型。 本文将介绍开源的  ollama-ocr [1]  工具，它默认使用本地运行的  Llama 3.2-Vision  视觉模型，可准确识别图像中的文字，同时保留原始格式。 https://github.com/bytefer/ollama-ocr Ollama-OCR 的特点 使用 Llama 3.2-Vision 模型进行高精度文本识别 保留原始文本格式和结构 支持多种图像格式：JPG、JPEG、PNG 可定制的识别提示和模型 Markdown 输出格式选项 Llama 3.2-Vision 应用场景 识别手写文本 OCR 识别 图片问答 配置环境 安装 Ollama 在开始使用 Llama 3.2-Vision 之前，您需要安装  Ollama [2] ，这是一个支持在本地运行多模态模型的平台 ………………………………