Как извлекать текст из изображений: Python, OCR и AI Endpoints от OVHcloud

Если вам нужно больше информации о AI Endpoints, прочитайте следующую запись в блоге. Вы также можете посмотреть наши предыдущие записи в блоге о том, как использовать AI Endpoints.

Полный пример кода вы найдете в репозитории GitHub.

В этой статье мы рассмотрим, как выполнить OCR (оптическое распознавание символов) на изображениях с помощью LLM с поддержкой зрения, библиотеки OpenAI для Python и AI Endpoints от OVHcloud.

Введение в OCR с моделями зрения

Оптическое распознавание символов существует уже несколько десятилетий, но традиционные OCR-движки часто испытывают трудности со сложными макетами, рукописным текстом или зашумленными изображениями. Большие языковые модели с поддержкой зрения предлагают новый подход: вместо использования специализированных OCR-конвейеров вы можете просто отправить изображение модели, которая понимает как визуальный, так и текстовый контент.

В этом примере мы используем библиотеку OpenAI для Python, чтобы создать простой OCR-скрипт, работающий на основе модели зрения, размещенной на AI Endpoints от OVHcloud.

Все приложение представляет собой один файл Python: никакой сложной настройки, просто pip install openai, и вы готовы к работе.

Настройка переменных окружения

Перед запуском скрипта необходимо установить следующие переменные окружения:

export OVH_AI_ENDPOINTS_ACCESS_TOKEN="your-access-token"
export OVH_AI_ENDPOINTS_MODEL_URL="https://your-model-url"
export OVH_AI_ENDPOINTS_VLLM_MODEL="your-vision-model-name"

Инструкции по созданию токена доступа, URL-адреса модели и имени модели можно найти в каталоге AI Endpoints. Убедитесь, что выбрали модель с поддержкой зрения из каталога AI Endpoints.

Установка зависимостей

Единственная зависимость — это библиотека OpenAI для Python:

pip install openai

Определение системного промпта

Первый шаг — определить системный промпт, который описывает, что делает наша OCR-служба. Этот промпт указывает модели, как себя вести:

SYSTEM_PROMPT = """Вы — экспертный OCR-движок.
Извлеките каждый фрагмент текста, видимый на предоставленном изображении.
Максимально точно сохраните исходную структуру (разрывы строк, колонки, таблицы).
НЕ интерпретируйте, не суммируйте и не переводите содержимое.
Используйте форматирование Markdown для представления структуры (например, таблицы, списки).
Если на изображении нет текста, ответьте: "Текст не найден."
"""

Мы указываем ему вести себя как экспертный OCR-движок, сохранять исходную структуру и использовать форматирование Markdown для структурированного контента, такого как таблицы или списки.

Загрузка изображения

Прежде чем отправить изображение модели, нам нужно закодировать его в строку base64. Вот простая вспомогательная функция, которая считывает локальный PNG-файл и возвращает строку в кодировке base64:

import base64
from pathlib import Path

def load_image_as_base64(path: Path) -> str:
    """Загрузить локальное изображение и закодировать его в base64."""
    with open(path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")

Данные в кодировке base64 — это то, что отправляется модели зрения как часть промпта.

Извлечение текста из изображения

Функция extract_text отправляет изображение модели зрения и возвращает извлеченный текст:

def extract_text(client: OpenAI, image_base64: str, model: str) -> str:
    """Извлечь текст из изображения с помощью модели зрения."""
    response = client.chat.completions.create(
        model=model,
        temperature=0.0,
        messages=[
            {"role": "system", "content": SYSTEM_PROMPT},
            {
                "role": "user",
                "content": [
                    {
                        "type": "image_url",
                        "image_url": {
                            "url": f"data:image/png;base64,{image_base64}"
                        }
                    }
                ]
            }
        ]
    )
    return response.choices[0].message.content

Изображение передается как data URL внутри поля image_url, в соответствии с форматом OpenAI Vision API. Параметр temperature установлен на 0.0, потому что нам нужно детерминированное, точное извлечение текста, а не креативный вывод.

Настройка клиента

В этом примере используется модель с поддержкой зрения, размещенная на AI Endpoints от OVHcloud. Поскольку AI Endpoints предоставляет API, совместимый с OpenAI, мы используем клиент OpenAI и просто указываем ему на конечную точку OVHcloud:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("OVH_AI_ENDPOINTS_ACCESS_TOKEN"),
    base_url=os.getenv("OVH_AI_ENDPOINTS_MODEL_URL"),
)

model_name = os.getenv("OVH_AI_ENDPOINTS_VLLM_MODEL")

Несколько важных моментов:

• API-ключ, базовый URL и имя модели считываются из переменных окружения.
• Библиотека OpenAI совместима с любым API, совместимым с OpenAI, что делает ее идеальной для использования с AI Endpoints.

Сборка и запуск

После настройки клиента извлечение текста из изображения становится простым:

image_base64 = load_image_as_base64(Path("./doc.png"))
result = extract_text(client, image_base64, model_name)
print(result)

И это всё!

Вот изображение, использованное в этом примере:

И результат:

$ python ocr_demo.py
📄 Загрузка изображения: doc.png
🔍 Запуск OCR с Qwen2.5-VL-72B-Instruct через OVHcloud AI Endpoints...

📝 Извлеченный текст 📝
Каждый месяц команда Developer Advocate OVHcloud создает контент, делится знаниями и общается с техническим сообществом. Вот что мы сделали в марте 2026 года. 🚀

🎙️ “Tranches de Tech” – Наш ежемесячный подкаст

Вышел новый эпизод нашего франкоязычного подкаста Tranches de Tech🥑!

🎧 Эпизод 102: Tranches de Tech #26 – Архитектор, это хорошая позиция?

В этом месяце мы пообщались с Александром Туре, архитектором в Worldline, чтобы обсудить меняющуюся роль архитекторов программного обеспечения и растущее влияние ИИ на практики разработки. От заявления Spotify о том, что их разработчики больше не пишут код, до агентных инструментов, таких как OpenClaw и Claude Code, меняющих рабочие процессы. Мы также освещаем пересмотренную политику ANSSI в отношении открытого исходного кода, утроение найма junior-специалистов в IBM и критическую важность наставничества для следующего поколения разработчиков в мире, управляемом ИИ.

📺 Прямые трансляции на Twitch

В этом месяце мы проводили прямые трансляции на Twitch! Вот что мы освещали:

🎥 Реми Вандепул обсудил с Юго Альябером и Франсуа Лозо наш Public VCFaaS. Смотрите повтор на YouTube ▶️.

🎤 Выступления на конференциях

Команда выступила на нескольких конференциях в этом месяце:

🇳🇱 KubeCon Amsterdam – Амстердам, Нидерланды 🇳🇱

Орели Ваш выступила с докладом: The Ultimate Kubernetes Challenge: An Interactive Trivia Game

Заключение

В этой статье мы рассмотрели, как использовать LLM с возможностью зрения для выполнения OCR на изображениях с помощью библиотеки OpenAI Python и OVHcloud AI Endpoints. Библиотека OpenAI делает очень простой отправку изображений в модель зрения и извлечение текста, а Python позволяет запустить всё в виде простого скрипта.

У вас есть специальный канал Discord (#ai-endpoints) на нашем Discord-сервере (https://discord.gg/ovhcloud), увидимся там!