К основному содержанию
скилл CX Codex

silicon-paddle-ocr — скилл OCR для Claude Code: текст с картинок

Распознаёт текст на изображениях через модель PaddleOCR и API SiliconFlow. Пригодится, когда нужно вытащить текст из скриншота или фото прямо в чате агента.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add aotenjou/silicon-PaddleOCR --skill silicon-paddle-ocr -a claude-code
Открыть на GitHub

Что делает silicon-paddle-ocr

Скилл запускает скрипт scripts/ocr_skill.py, который отправляет картинку в SiliconFlow и возвращает распознанный текст. Поддерживаются JPG, PNG, WebP, BMP и GIF. Можно подать один файл, несколько путей или glob-шаблон — тогда обработка идёт пакетом.

По умолчанию используется модель PaddlePaddle/PaddleOCR-VL-1.5, лимит ответа — 2000 токенов. Флаг --json отдаёт результат с координатами каждой текстовой области, --output сохраняет его в файл, а -p задаёт свой промпт — например, чтобы таблица вернулась в Markdown. Если картинка не обработалась, скрипт пишет ошибку по этому файлу и продолжает с остальными.

Перед первым запуском нужен ключ SiliconFlow в переменной окружения SILICONFLOW_API_KEY. Без него скрипт не пройдёт авторизацию, так что проверьте переменную до того, как звать скилл на пачку сканов.

Какие задачи решает

  • вытащить текст из скриншота с ошибкой
  • распознать текст на фото документа
  • прогнать пачку картинок через OCR одним запуском
  • получить координаты текстовых блоков в JSON
  • выгрузить таблицу с картинки в Markdown

Примеры запросов агенту

  • распознай текст на этом скриншоте
  • сделай OCR для всех PNG в папке screenshots
  • вытащи таблицу с этой картинки и оформи её в Markdown

Как установить silicon-paddle-ocr

1Через Skills CLI (Vercel)

npx skills add aotenjou/silicon-PaddleOCR --skill silicon-paddle-ocr -a claude-code

2Вручную: положить файлы

~/.claude/skills/silicon-paddle-ocr/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/silicon-paddle-ocr/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о silicon-paddle-ocr

Как установить silicon-paddle-ocr в Claude?

Выполните npx skills add aotenjou/silicon-PaddleOCR --skill silicon-paddle-ocr -a claude-code. Скилл появится в ~/.claude/skills/silicon-paddle-ocr/SKILL.md.

Что делает silicon-paddle-ocr?

Распознаёт текст на изображениях через модель PaddleOCR и API SiliconFlow. Умеет обрабатывать одну картинку или пачку файлов.

Что нужно для работы скилла?

Ключ SiliconFlow в переменной окружения SILICONFLOW_API_KEY. Без него запросы к API не пройдут.

Исходный текст

SKILL.md · MIT
---
name: silicon-paddle-ocr
description: OCR skill using PaddleOCR model via SiliconFlow API. This skill should be used when the user asks to "recognize text from an image", "extract text from a photo", "OCR this image", "read text from screenshot", or mentions "PaddleOCR", "image text recognition", "text extraction from images".
license: MIT
metadata:
  author: aotenjou
  version: "1.0.0"
---

# OCR - Image Text Recognition

Use PaddleOCR to extract text content from images. Supports single image or batch processing.

## Overview

This skill provides optical character recognition (OCR) capabilities using the PaddlePaddle/PaddleOCR-VL-1.5 model via the SiliconFlow API. Extract text from JPG, PNG, WebP, BMP, and GIF images.

## When to Use

Invoke this skill when:
- User wants to extract text from an image
- User asks to OCR a screenshot or photo
- User needs to read text from an image file
- User mentions text recognition from images

## How to Use

### Prerequisites

Ensure the `SILICONFLOW_API_KEY` environment variable is set:
```bash
export SILICONFLOW_API_KEY="your_api_key"
```

### Basic Usage

Execute the OCR script:
```bash
python3 scripts/ocr_skill.py [options] image_path
```

### Arguments

| Argument | Description |
|----------|-------------|
| `images` | Image file path(s) or glob pattern (required) |
| `-k, --api-key` | API key (default: from SILICONFLOW_API_KEY env) |
| `-m, --model` | OCR model name (default: PaddlePaddle/PaddleOCR-VL-1.5) |
| `-p, --prompt` | Recognition prompt for custom behavior |
| `-j, --json` | Output results in JSON format |
| `-o, --output` | Save results to specified file |
| `--max-tokens` | Maximum tokens in response (default: 2000) |

### Examples

Single image:
```bash
python3 scripts/ocr_skill.py /path/to/image.jpg
```

Multiple images with glob:
```bash
python3 scripts/ocr_skill.py /path/to/images/*.png
```

JSON output format:
```bash
python3 scripts/ocr_skill.py --json /path/to/image.jpg
```

Custom prompt for table extraction:
```bash
python3 scripts/ocr_skill.py -p "Please identify and format table content as Markdown" /path/to/table.jpg
```

Save to file:
```bash
python3 scripts/ocr_skill.py --json --output results.json /path/to/images/*.jpg
```

### Output Format

**Text output** (default):
```
--- image.jpg ---
识别到的文字内容
识别到 X 处文字区域
```

**JSON output**:
```json
{
  "image.jpg": {
    "image_path": "/path/to/image.jpg",
    "image_size": [width, height],
    "texts": [
      {
        "text": "识别的文字",
        "box": [[x1, y1], [x2, y2], [x3, y3], [x4, y4]]
      }
    ],
    "full_text": "所有文本的组合"
  },
  "image2.png": { ... }
}
```

**Coordinates Explanation:**
- LOC values are normalized coordinates converted to pixel coordinates
- Conversion: pixel = LOC × (image_size / LOC_max_value)
- LOC max_value is approximately 972 (may vary by model/image)
- The `box` field provides the four corner coordinates of each text region in pixel format

## Supported Image Formats

- JPG/JPEG
- PNG
- WebP
- BMP
- GIF

## Error Handling

If processing fails:
- Check that the image file exists
- Verify the SILICONFLOW_API_KEY is valid
- Ensure the API endpoint is reachable

Images that fail to process will show an error message, and other images will continue processing.

## Additional Resources

### Reference Files

- **`references/api-configuration.md`** - API configuration details

### Example Files

- **`examples/sample-usage.sh`** - Example usage script

### Scripts

- **`scripts/ocr_skill.py`** - The main OCR implementation

© aotenjou · MIT · aotenjou/silicon-PaddleOCR

Похожие скиллы

Всё по теме «ИИ и ML» →
ocr-super-surya yamapan (https://github.com/aktsmm) Скилл для распознавания текста на изображениях, скриншотах и в PDF через Surya на GPU. Пригодится, когда в документе есть только картинки без текстового слоя. CX Codex +1 558установок paddleocr-doc-parsing PaddlePaddle Скилл извлекает структурированный Markdown и JSON из документов PDF и сканов. Переводит таблицы по ячейкам, формулы в LaTeX и сохраняет порядок чтения. CX Codex +1 471установок image-to-text pascalorg Достаёт текст из картинки через OCR и отдаёт его вместе с координатами слов. Пригодится, когда в чат кинули скриншот или макет, а текст нужно перепечатать. CX Codex +1 713установок PDF OCR Extraction claude-office-skills Достаёт текст из сканированных и картинных PDF через OCR. Пригодится, когда документ нельзя выделить курсором, а искать по нему нужно. CX Codex +1 5 700установок ocr-grammar-fixer davila7 Субагент для Claude, который правит распознанный текст: убирает ошибки OCR, восстанавливает пробелы и приводит грамматику в порядок, сохраняя смысл. 522установок remove-background pilioai Скилл убирает фон на фото через Pilio API: портреты, товары, картинки под прозрачный фон. Работает из терминала агента. CX Codex +1 7 600установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой