BroadRouter
Başlayın

Optik karakter tanıma (OCR)

Güncellendi

Optik karakter tanıma (OCR), bir görsel, tarama veya PDF içindeki basılı ya da el yazısı metni tespit edip makinenin okuyabileceği karakterlere dönüştüren teknolojidir. Klasik OCR metni ve sayfadaki konumunu verir; görsel-dil modelleri ise metni okuyup onunla ilgili soruları doğrudan yanıtlayabilir.

Diğer adları: OCR, optik karakter tanıma, metin tanıma, görselden metne, resimden yazıya çevirme, belge OCR, taranmış metin çıkarma, optical character recognition, text recognition, image to text, document OCR, scanned text extraction

OCR, bir fişin fotoğrafını bir programın arayabileceği, saklayabileceği veya kontrol edebileceği metne dönüştüren adımdır.

Nasıl çalışır

Klasik bir OCR motoru sayfadaki metin bölgelerini bulur, bunları satırlara ayırır ve her satırdaki karakterleri tanır. En bilinen açık kaynak motor olan Tesseract, 4. sürümde satırların tamamını tanıyan bir LSTM sinir ağı ekledi ve kutudan çıktığı haliyle “recognize more than 100 languages” (çeviri: 100’den fazla dili tanıyabilir). Çıktı düz metin, hOCR (HTML), PDF, görünmez metinli PDF, TSV, ALTO veya PAGE olarak gelir; böylece kelime konumlarını da alırsınız.

Klasik OCR karakterlerde durur. Hangi sayının toplam, hangi satırın tedarikçi adı olduğunu bilmek için kurallar ya da ikinci bir model eklersiniz.

Görsel-dil modelleri başka bir yol izler. Hugging Face’in image-text-to-text görev sayfası, belge soru-cevabını “an OCR-free approach” (çeviri: OCR’sız bir yaklaşım) olarak tanımlar: belge görseli doğrudan bir görsel-dil modeline gider, model onu okur ve yanıtlar. Alanları doğrudan isteyip yapılandırılmış çıktı olarak geri alabilirsiniz.

Klasik OCR (ör. Tesseract) Görsel LLM
Çıktı karakterler ve konumları yanıtlar, özetler veya JSON alanları
Düzeni anlama sınırlı, kural gerekir tabloları ve etiketleri bağlam içinde okur
Çalıştığı yer yerel, çağrı başına ücret yok genellikle bir API, token başına faturalandırılır
Risk yanlış okunan karakterler yanlış okunan karakterler ve uydurulmuş değerler

Neden önemli

  • Maliyet. Bir LLM API’sine gönderilen görsel, girdi token’ı olarak faturalandırılır. Yerel OCR’ın çağrı başına ücreti yoktur ama sunucu ve bakım gerektirir.
  • Doğruluk kontrolleri. Görsel bir model sayfada olmayan, makul görünen bir toplam döndürebilir. Ondan kaynak metni alıntılamasını isteyin ve toplamları kodla kontrol edin.
  • Arapça. Sağdan sola metin, birleşik harf biçimleri ve Arap ile Latin rakamlarının karışımı zorluğu artırır. Her motoru veya modeli kendi taramalarınızla test edin.

BroadNet Inference’ta

BroadNet ayrı bir OCR uç noktası belgelemez. Belgeleri, bir faturanın, görseli data: URL’si olarak model satırında görsel (images veya vision) listelenen bir sohbet modeline göndererek okunmasını gösterir; örneğin DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B veya Qwen3.8 27B. Kullandıkça öde anahtarında görsel, modelin girdi fiyatından girdi token’ı olarak sayılır (Gemma’da 1M token başına $0.10) ve büyük görseller daha fazla token kullanır. Adım adım anlatım için Arapça fatura rehberine, klasik OCR’ın hâlâ daha iyi araç olduğu durumlar için görsel LLM’lerle Arapça OCR yazısına bakın.

Sık sorulan sorular

OCR ile görsel LLM arasındaki fark nedir?

OCR bulduğu karakterleri ve nerede olduklarını döndürür. Görsel bir LLM ise görseli okur ve "faturanın toplamı ne?" gibi bir soruyu yanıtlayabilir ya da adlandırılmış alanları JSON olarak döndürebilir.

BroadNet'in bir OCR uç noktası var mı?

Ayrı bir OCR uç noktası belgelenmemiştir. Görseli /v1/chat/completions üzerinden görsel destekli bir sohbet modeline gönderir ve ihtiyacınız olan metni veya alanları istersiniz.

Klasik OCR hâlâ kullanmaya değer mi?

Evet; yalnızca metne ve konumuna ihtiyaç duyduğunuz, büyük hacimli temiz basılı sayfalar için. Yerel olarak, çağrı başına ücret olmadan çalışır. Ham karakterler yerine alanlara, tablolara veya yanıtlara ihtiyacınız olduğunda görsel modeller daha iyidir.

Markdown olarak okuChatGPT asistanına sorClaude asistanına sorPerplexity asistanına sor