Связаться с намиПодключиться

Как начать работать с Vision OCR

Статья создана
Улучшена
Обновлена 16 июля 2025 г.

Этот раздел описывает, как распознать текст на изображении или в файле с помощью Vision OCR API.

Перед началом работы

Чтобы воспользоваться примерами, установите cURL.

  1. На странице Yandex Cloud Billing убедитесь, что платежный аккаунт находится в статусе ACTIVE или TRIAL_ACTIVE. Если платежного аккаунта нет, создайте его.
  2. Получите IAM-токен, необходимый для аутентификации.
  3. Получите идентификатор любого каталога, на который у вашего аккаунта есть роль ai.vision.user или выше.
  4. Полученный идентификатор передавайте в заголовке x-folder-id.

Распознайте текст

Вы можете использовать любую модель для распознавания из списка. Для примера воспользуемся моделью page, которая позволяет распознавать любое количество текста на изображении:

  1. Подготовьте файл изображения, соответствующий требованиям:

    • Поддерживаемые форматы файлов: JPEG, PNG, PDF. MIME-тип файла указывайте в свойстве mime_type. По умолчанию image.
    • Максимальный размер файла: 10 МБ.
    • Размер изображения не должен превышать 20 мегапикселей (длина × ширина).

    Совет

    Нужен пример? Скачайте изображение дорожного знака, предупреждающего о пингвинах.

  2. Кодируйте файл с изображением в формат Base64:

    base64 -i input.jpg > output.txt

    C:> Base64.exe -e input.jpg > output.txt

    [Convert]::ToBase64String([IO.File]::ReadAllBytes("./input.jpg")) > output.txt

    # Импортируйте библиотеку для кодирования в Base64
import base64

# Создайте функцию, которая кодирует файл и возвращает результат.
def encode_file(file_path):
  with open(file_path, "rb") as fid:
    file_content = fid.read()
  return base64.b64encode(file_content).decode("utf-8")

    // Считайте содержимое файла в память.
var fs = require('fs');
var file = fs.readFileSync('/path/to/file');

// Получите содержимое файла в формате Base64.
var encoded = Buffer.from(file).toString('base64');

    // Импортируйте библиотеку для кодирования в Base64.
import org.apache.commons.codec.binary.Base64;

// Получите содержимое файла в формате Base64.
byte[] fileData = Base64.encodeBase64(yourFile.getBytes());

    import (
  "bufio"
  "encoding/base64"
  "io/ioutil"
  "os"
)

// Откройте файл
f, _ := os.Open("/path/to/file")

// Прочитайте содержимое файла.
reader := bufio.NewReader(f)
content, _ := ioutil.ReadAll(reader)

// Получите содержимое файла в формате Base64.
base64.StdEncoding.EncodeToString(content)

  3. Создайте файл с телом запроса, например body.json.

    body.json:

    {
  "mimeType": "JPEG",
  "languageCodes": ["*"],
  "model": "page",
  "content": "<изображение_в_кодировке_base64>"
}

    В свойстве content укажите содержимое файла, полученное при переводе изображения в формат Base64.

    Чтобы сервис автоматически определил язык текста, укажите в конфигурации свойство "languageCodes": ["*"].

  4. Отправьте запрос с помощью метода recognize и сохраните ответ в файл, например output.json:

    export IAM_TOKEN=<IAM-токен>
curl \
  --request POST \
  --header "Content-Type: application/json" \
  --header "Authorization: Bearer ${IAM_TOKEN}" \
  --header "x-folder-id: <идентификатор_каталога>" \
  --header "x-data-logging-enabled: true" \
  --data '{
    "mimeType": "JPEG",
    "languageCodes": ["ru","en"],
    "model": "handwritten",
    "content": "<изображение_в_кодировке_base64>"
  }' \
  https://ocr.api.cloud.yandex.net/ocr/v1/recognizeText \
  --output output.json

    Где:

    • <IAM-токен> — полученный ранее IAM-токен.
    • <идентификатор_каталога> — полученный ранее идентификатор каталога.
    data = {"mimeType": <mime_type>,
        "languageCodes": ["ru","en"],
        "content": content}

url = "https://ocr.api.cloud.yandex.net/ocr/v1/recognizeText"

headers= {"Content-Type": "application/json",
          "Authorization": "Bearer {:s}".format(<IAM-токен>),
          "x-folder-id": "<идентификатор_каталога>",
          "x-data-logging-enabled": "true"}
  
w = requests.post(url=url, headers=headers, data=json.dumps(data))

    Результат будет состоять из распознанных блоков текста, строк и слов с указанием их местоположения на изображении:

    {'result': {'textAnnotation': {'width': '1920', 'height': '1280', 'blocks': [
                {'boundingBox': {'vertices': [
                            {'x': '460', 'y': '777'
                            },
                            {'x': '460', 'y': '906'
                            },
                            {'x': '810', 'y': '906'
                            },
                            {'x': '810', 'y': '777'
                            }
                        ]
                    }, 'lines': [
                        {'boundingBox': {'vertices': [
                                    {'x': '460', 'y': '777'
                                    },
                                    {'x': '460', 'y': '820'
                                    },
                                    {'x': '802', 'y': '820'
                                    },
                                    {'x': '802', 'y': '777'
                                    }
                                ]
                            }, 'text': 'PENGUINS', 'words': [
                                {'boundingBox': {'vertices': [
                                            {'x': '460', 'y': '768'
                                            },
                                            {'x': '460', 'y': '830'
                                            },
                                            {'x': '802', 'y': '830'
                                            },
                                            {'x': '802', 'y': '768'
                                            }
                                        ]
                                    }, 'text': 'PENGUINS', 'entityIndex': '-1', 'textSegments': [
                                        {'startIndex': '0', 'length': '8'
                                        }
                                    ]
                                }
                            ], 'textSegments': [
                                {'startIndex': '0', 'length': '8'
                                }
                            ], 'orientation': 'ANGLE_0'
                        },
                        {'boundingBox': {'vertices': [
                                    {'x': '489', 'y': '861'
                                    },
                                    {'x': '489', 'y': '906'
                                    },
                                    {'x': '810', 'y': '906'
                                    },
                                    {'x': '810', 'y': '861'
                                    }
                                ]
                            }, 'text': 'CROSSING', 'words': [
                                {'boundingBox': {'vertices': [
                                            {'x': '489', 'y': '852'
                                            },
                                            {'x': '489', 'y': '916'
                                            },
                                            {'x': '810', 'y': '916'
                                            },
                                            {'x': '810', 'y': '852'
                                            }
                                        ]
                                    }, 'text': 'CROSSING', 'entityIndex': '-1', 'textSegments': [
                                        {'startIndex': '9', 'length': '8'
                                        }
                                    ]
                                }
                            ], 'textSegments': [
                                {'startIndex': '9', 'length': '8'
                                }
                            ], 'orientation': 'ANGLE_0'
                        }
                    ], 'languages': [
                        {'languageCode': 'en'
                        }
                    ], 'textSegments': [
                        {'startIndex': '0', 'length': '17'
                        }
                    ], 'layoutType': 'LAYOUT_TYPE_TEXT'
                },
                {'boundingBox': {'vertices': [
                            {'x': '547', 'y': '989'
                            },
                            {'x': '547', 'y': '1046'
                            },
                            {'x': '748', 'y': '1046'
                            },
                            {'x': '748', 'y': '989'
                            }
                        ]
                    }, 'lines': [
                        {'boundingBox': {'vertices': [
                                    {'x': '547', 'y': '989'
                                    },
                                    {'x': '547', 'y': '1046'
                                    },
                                    {'x': '748', 'y': '1046'
                                    },
                                    {'x': '748', 'y': '989'
                                    }
                                ]
                            }, 'text': 'SLOW', 'words': [
                                {'boundingBox': {'vertices': [
                                            {'x': '547', 'y': '983'
                                            },
                                            {'x': '547', 'y': '1054'
                                            },
                                            {'x': '748', 'y': '1054'
                                            },
                                            {'x': '748', 'y': '983'
                                            }
                                        ]
                                    }, 'text': 'SLOW', 'entityIndex': '-1', 'textSegments': [
                                        {'startIndex': '18', 'length': '4'
                                        }
                                    ]
                                }
                            ], 'textSegments': [
                                {'startIndex': '18', 'length': '4'
                                }
                            ], 'orientation': 'ANGLE_0'
                        }
                    ], 'languages': [
                        {'languageCode': 'en'
                        }
                    ], 'textSegments': [
                        {'startIndex': '18', 'length': '4'
                        }
                    ], 'layoutType': 'LAYOUT_TYPE_TEXT'
                }
            ], 'entities': [], 'tables': [], 'fullText': 'PENGUINS\nCROSSING\nSLOW\n', 'rotate': 'ANGLE_0', 'markdown': '', 'pictures': []
        }, 'page': '0'
    }
}

  5. Чтобы получить все распознанные на изображении слова, найдите все значения со свойством text.

Примечание

Если полученные координаты не соответствуют отображаемому положению элементов, настройте в вашем средстве просмотра изображений поддержку метаданных exif, либо при передаче в сервис удаляйте из секции exif изображения атрибут Orientation.

Следующая
Все инструкции