LightOnOCR-2高效的1B参数视觉语言模型用于OCR识别pdf转文本jpg转文本图片转文本 二次开发构建by科哥

镜像简介

本镜像基于轻量高效的1B参数视觉语言模型LightOnOCR-2，专注于高精度OCR文字识别。支持PDF、JPG等多种格式的文档与图像快速转换为可编辑文本，适用于文档数字化、资料归档、信息提取与无障碍阅读等场景，提供即开即用、准确高效的文字识别解决方案。

镜像使用教程

创建实例后点击【SD-WebUI】即可进入操作页面

运行界面

---

LightOnOCR-2 用户使用手册

本手册指导用户如何使用 LightOnOCR-2 Web 界面进行 OCR 文本提取。

---

一、访问地址

本地访问: http://localhost:7860

局域网访问: http://[服务器IP]:7860

外网访问: http://[域名或公网IP]:7860

---

二、界面介绍

2.1 标题区域

显示项目名称和开发信息：

• LightOnOCR-2 — 高效的 1B 参数视觉语言模型用于 OCR
• 开发者：科哥（微信：312088415 | 公众号：科哥玩AI）

2.2 左侧控制面板

控件	功能说明
模型	下拉选择 6 种不同的 OCR 模型
模型信息	显示当前模型的描述和是否支持边界框检测
上传图片或 PDF	点击上传或拖拽图片/PDF 文件
预览	显示上传图片的预览效果
PDF：页码	选择 PDF 中要提取的页面（仅 PDF 文件）
处理信息	显示当前处理状态
温度	控制输出随机性，0.0 = 确定性，数值越高 = 变化越大
启用流式输出	勾选后文本会逐步显示
最大输出 Token 数	设置生成文本的最大长度
提取文本	开始 OCR 文本提取
清空	清空所有输入和输出

2.3 右侧输出区域

区域	功能说明
提取文本（渲染）	显示格式化后的提取结果，支持 Markdown 渲染
原始 Markdown 输出	显示原始 Markdown 格式的文本

2.4 示例文档

点击任意示例图片可自动加载到输入框，方便快速体验。

---

三、模型选择说明

LightOnOCR-2 提供以下 6 种模型：

模型名称	描述	边界框检测	适用场景
LightOnOCR-2-1B (Best OCR)	最佳综合 OCR 性能	否	通用 OCR 任务，追求最高准确率
LightOnOCR-2-1B-bbox (Best Bbox)	最佳边界框检测	是	需要定位文本区域或需要裁剪功能
LightOnOCR-2-1B-base	基础 OCR 模型	否	快速 OCR，对准确率要求不高的场景
LightOnOCR-2-1B-bbox-base	基础边界框模型	是	快速边界框检测
LightOnOCR-2-1B-ocr-soup	OCR soup 变体	否	特殊格式文档处理
LightOnOCR-2-1B-bbox-soup	边界框 soup 变体	是	复杂版面布局文档处理

推荐选择：

• 首次使用推荐：LightOnOCR-2-1B (Best OCR)
• 处理表格、表单：选择带 bbox 的模型
• 需要快速处理：选择 base 系列

---

四、使用步骤

4.1 提取图片文本

1. 选择模型：从下拉菜单选择适合的模型（默认为最佳 OCR 模型）
2. 上传图片：点击「上传图片或 PDF」或直接拖拽图片文件
3. 调整参数（可选）：
   • 调整「温度」控制输出稳定性
   • 设置「最大输出 Token 数」控制输出长度
4. 开始提取：点击「提取文本」按钮
5. 查看结果：右侧显示提取的文本

4.2 提取 PDF 文本

1. 上传 PDF：选择 PDF 文件上传
2. 选择页码：使用「PDF：页码」滑块选择要提取的页面
3. 预览页面：可在「预览」区域查看当前页
4. 开始提取：点击「提取文本」
5. 多页处理：重复步骤 2-4 处理其他页面

4.3 使用示例图片

1. 点击「示例文档」折叠栏中的任意图片
2. 图片自动加载到输入框
3. 点击「提取文本」查看效果

---

五、参数说明

温度 (Temperature)

值	效果	适用场景
0.0	完全确定性，结果稳定	表单、票据等结构化文本
0.2-0.4	较少变化，推荐默认值	大多数 OCR 场景
0.5-0.7	中等变化	手写文本、模糊图片
0.8-1.0	高变化，结果可能不稳定	创意性文本处理

最大输出 Token 数

值	适用场景
256	短文本、标题提取
1024	单段文本提取
2048（默认）	完整文档提取
4096+	超长文档、多页内容

流式输出

• 启用：文本逐步显示，可实时查看提取进度
• 禁用：等待完整提取后一次性显示

---

六、支持文件格式

类型	支持格式
图片	.png, .jpg, .jpeg
文档	.pdf

推荐格式：

• 图片：PNG（无损）、JPG（较小文件）
• 扫描件：建议先进行图片增强和去噪处理

---

七、常见问题

Q1: 提取的文本不准确怎么办？

解决方案：

1. 尝试切换不同的模型
2. 降低「温度」参数（设置为 0.1-0.2）
3. 增加图片分辨率或清晰度
4. 选择带边界框的模型进行区域识别

Q2: 处理速度很慢？

解决方案：

1. 选择 base 系列模型（速度更快）
2. 减小「最大输出 Token 数」
3. 检查服务器 GPU 资源占用情况

Q3: PDF 多页如何处理？

解决方案：

1. 使用「PDF：页码」滑块逐页处理
2. 选择带边界框的模型，可裁剪识别区域
3. 后续可考虑 PDF 批量处理工具

Q4: 如何处理表格或表单？

解决方案：

1. 选择 bbox 系列模型
2. 模型会自动识别表格结构
3. 边界框模型支持区域裁剪，可分别处理不同区域

Q5: 提示"请先上传图片或 PDF 文件"？

原因：未上传文件就点击了「提取文本」

解决：先上传图片或 PDF 文件

---

八、使用技巧

1. 图片预处理

• 提高图片分辨率和清晰度可显著提升准确率
• 对扫描件建议先进行倾斜校正
• 去除图片噪点和阴影

2. 模型选择策略

• 正式文档：使用 LightOnOCR-2-1B (Best OCR)
• 表格表单：使用 LightOnOCR-2-1B-bbox
• 快速验证：使用 base 系列模型
• 复杂版面：使用 soup 系列模型

3. 参数调优

• 首次使用保持默认参数
• 结构化文本降低温度值
• 模糊或手写文本可适当提高温度值

---

九、功能特色

• 多模型支持：6 种模型满足不同场景需求
• 边界框检测：精确识别文本区域，支持裁剪
• 流式输出：实时显示提取进度
• PDF 支持：可直接处理 PDF 文件
• 示例文档：提供 9 张示例图片快速体验
• 中英文界面：完全本地化，使用更便捷

---

十、技术支持

• 开发者：科哥
• 微信：312088415
• 公众号：科哥玩AI

---

最后更新: 2026-01-24

bug反馈可以加入科哥专属群交流➕ 广告勿进！​

​

科哥在UCloud镜像列表【不断更新中】：

• https://kege-aigc.feishu.cn/docx/L3FVdQl7kom8Ckx7QiicQj2VnEd