はじめに
Llama OCRはLlama 3.2 VisionをベースとしたOCR（光学式文字認識）ライブラリで、ドキュメントをMarkdownフォーマットに変換します。このライブラリはNutlopeによって開発され 一緒に AIが提供する無料のLlama 3.2インターフェイスは、画像を解析し、Markdownテキストを返す。 Llama OCRは、ローカルおよびリモートの画像のOCRをサポートしており、将来的にはPDFファイルのOCRをサポートする予定である。
参考資料 ゼロックス
デモ：https://llamaocr.com/
togetherが提供するMeta Llama Visionへの無料インターフェースをご利用ください： https://api.together.ai/models/meta-llama/Llama-Vision-Free
より自由なビジュアルモデル：Smart Spectrumオープンプラットフォーム、初の無料マルチモーダルビジョンモデルGLM-4V-Flashをオンラインで、無制限に使用できます！
機能一覧
- 画像OCRローカルおよびリモート画像の光学式文字認識をサポート。
- マークダウン出力認識されたテキストをMarkdown形式に変換します。
- マルチモデル対応Llama 3.2モデルのインターフェースは、無料と有料のものがあり、さまざまな性能要件を満たすことができます。
- API統合Together AIのAPIによる画像解析。
- 将来の機能このプログラムは、単一および複数ページのPDFのOCR処理と、JSON形式の出力をサポートしています。
ヘルプの使用
設置プロセス
- Node.js環境がインストールされていることを確認する。
- npm を使用して Llama OCR ライブラリをインストールします：
npm i llama-ocr
使用方法
- Llama OCRライブラリをインポートします：
llama-ocr" から { ocr } をインポートする。
- 各論
OCR関数を使用する：
const markdown = await ocr({
filePath: "./trader-joes-receipt.jpg", // 画像ファイルのパス
apiKey: process.env.TOGETHER_API_KEY, // Together AI APIキー
});
- 返されたMarkdownテキストを処理します：
console.log(markdown)；
詳細な機能操作
- 画像OCR画像ファイルのパスを
OCR関数を使用すると、画像のテキストコンテンツを取得できます。 - マークダウン出力解析されたテキストは自動的にMarkdown形式に変換され、ドキュメントで簡単に使用できます。
- マルチモデル対応を設定する。
モデルパラメータで、異なるLlama 3.2モデルを選択することができる（例ラマ-3.2-90B-ビジョンもしかしたらラマ3.2-11B-ビジョン)を使用して、さまざまなパフォーマンスニーズに対応することができる。 - API統合Together AI の API キーは、画像解析用のインターフェースを呼び出すために環境変数に設定する必要があります。
サンプルコード
import { ocr } from "llama-ocr".
非同期関数 runOCR() {
const markdown = await ocr({
filePath: "./example-image.jpg"、
apiKey: "your-together-ai-api-key"、
});
console.log(markdown)；
}
runOCR()；
将来の機能
- PDFサポート将来のバージョンでは、単一および複数ページのPDFファイルのOCRをサポートする予定です。
- JSON出力Markdownフォーマットに加え、JSON出力もサポートされ、データ処理と統合が容易になります。
以上の手順で、ユーザーは簡単にLlama OCRライブラリをインストールして使用し、画像内のテキストコンテンツをMarkdown形式に変換し、文書処理効率を向上させることができます。
