本文へスキップ

Ollama OCR for web

Ollama の視覚言語モデルで画像から文字を取り出す

公式サイトを見る

ollama-ocr とは

本パッケージは Ollama に基づく光学文字認識(OCR)のモデルと紹介され、LLaVA、Llama 3.2 Vision、MiniCPM-V 2.6 などの視覚言語モデルで画像からテキストを取り出すと説明されている。 オープンソースで無料、さまざまな案件への組み込みが容易とされる。

できること

  • OCR モデルで画像からテキストを取り出す
  • 単一画像・複数画像・動画の入力を扱う
  • Markdown・プレーンテキスト・JSON で結果を出す
  • Docker で異なる環境に配備して動かす

活用場面

  • ウェブアプリに画像のテキスト認識を組み込みオンライン文書スキャンに使う
  • 視覚言語モデルの OCR 性能を画像の場面ごとに調べる
  • 請求書や契約書などの画像文書の処理を自動化する

導入の手順

  • Ollama を設置する
  • 必要なモデル(llama3.2-vision:11b、llava:13b、minicpm-v:8b)を取得する
  • リポジトリを手元へ複製する
  • 案件のディレクトリへ移動する

長所と短所

✓ 良い点

  • オープンソースで無料、さまざまな案件に組み込みやすい
  • 詳しい使い方の文書と例が用意される

! 注意したい点

  • 認識は選んだ視覚言語モデルに左右される
  • 導入には Ollama の設置とモデルの取得が必要

よくある質問

挙がるモデルは?

資料は LLaVA、Llama 3.2 Vision、MiniCPM-V 2.6 を挙げ、手順では各モデル(llama3.2-vision:11b、llava:13b、minicpm-v:8b)を示す。

出力形式は?

資料は Markdown、プレーンテキスト、JSON を挙げる。

最終評価日: 2026-11-15

その他 AI画像生成 ツール

すべて見る →

評価方法