WR王锐.dev
管理
← 博客
技术2026-08-243 次阅读

产线 OCR 实战：Ollama 本地视觉模型部署与踩坑

# AI# 本地大模型# OCR# Ollama# Qwen2.5-VL# 工业数据采集# Python

背景：产线要认字，传统 OCR 先翻车

产线提了个需求：读 SN 码、批次标签、仪表读数。传统 OCR（Tesseract、OpenCV）对打印工整的字体还行，一到现场就露馅——标签脏污、反光、倾斜、字体变形，识别率直线掉到八成以下，误读的 SN 码一旦绑错产品就是质量事故。上云 OCR 呢？产品 SN、批次号属于生产数据，合规上就不允许出内网。两条路都堵死，剩下的方案只有一个：本地部署视觉大模型。

解决思路：Ollama + Qwen2.5-VL，数据不出厂

选型逻辑不复杂：

  • 本地部署：模型跑在内网服务器，图片不出厂，合规无忧，断网也能用；
  • 视觉模型选 Qwen2.5-VL 7B：中文识别能力强，显存要求低（8G 显卡即可跑），对脏污、倾斜标签的鲁棒性远好过传统 OCR；
  • 服务化封装：Ollama 提供 HTTP 接口，Python 封装成识别服务，结果再上报 MES，与设备对接链路完全复用。

第一步：部署 Ollama 并拉模型

服务器装好 Ollama 后直接拉模型，7B 量化版大约 5~6GB：

ollama pull qwen2.5vl:7b

第二步：调用接口——注意最大的坑

先手动验证一次，确认模型能出结果再写代码。这里有个大坑：多模态必须走 /api/generate，走 /api/chat 会直接 400——chat 接口对视觉模型的图片参数兼容性差，报错还不明不白。图片要转成 base64 放进 images 数组：

import base64, json, urllib.request

def ocr(image_path: str, prompt: str = "识别图中SN码，只输出字符，不要解释") -> str:
    with open(image_path, "rb") as f:
        b64 = base64.b64encode(f.read()).decode("utf-8")
    body = json.dumps({
        "model": "qwen2.5vl:7b",
        "prompt": prompt,
        "images": [b64],
        "stream": False
    }, ensure_ascii=False).encode("utf-8")
    req = urllib.request.Request(
        "http://127.0.0.1:11434/api/generate", data=body,
        headers={"Content-Type": "application/json"}, method="POST")
    with urllib.request.urlopen(req, timeout=120) as r:
        return json.loads(r.read().decode("utf-8"))["response"]

响应里的 response 字段就是模型输出。生成类任务建议 stream: False 一次性拿全量结果，省去流式解析的麻烦。

第三步：让输出可编程

模型默认会带解释文字（"图中的SN码是……"），直接进 MES 就是脏数据。提示词里要求 JSON 输出，再解析：

prompt = '识别图中SN码，只输出JSON：{"sn": "识别结果", "conf": 0到1的置信度}'

识别结果低于置信度阈值（比如 0.7）就不自动入库，转人工确认——OCR 出错不可怕，可怕的是错得理直气壮。

第四步：对接 MES

识别服务起一个 Flask/FastAPI 小接口，产线工位把图片传上来，服务识别后按设备上报协议写回 MES（幂等键、时间格式这些约定直接复用设备对接那套，避免再造一套轮子）。

踩坑记录：五个真实案例

  • /api/chat 对视觉模型直接 400：多模态图片参数必须走 /api/generate，这是最坑的一条，报错信息抽象，官方文档也不明显；
  • 图片不压缩，识别又慢又超时：相机原图动辄几 MB，base64 再膨胀三分之一，7B 模型在 8G 显存上要跑几十秒。先压缩到长边 1280、JPEG 质量 85，速度能翻倍；
  • 8G 显存一次只能跑一个请求：并发一上来直接 OOM 或排队到天荒地老。识别服务用队列串行化，工位请求排队处理，HTTP 超时放宽到 120 秒；
  • 脏污标签识别率问题：提示词里写明"忽略污渍、反光"，配合压缩和裁剪 ROI 区域，识别率能回到 95% 以上；
  • 中文与特殊字符混排：SN 码常有连字符和数字混排，提示词明确"只输出字符，不加空格和标点"，否则模型会自作主张格式化。

总结

本地视觉模型做产线 OCR 的路线已经跑通：Ollama 部署 + /api/generate 传 base64 + 提示词约束 JSON 输出 + 置信度兜底人工。相比上云方案，换来的是数据不出厂和断网可用；代价是显卡预算和并发上限。对中小产线来说，一张 8G 显存的显卡换掉人工抄码，这笔账怎么算都划算。

评论 (0)