# Бесплатные модели для графики, OCR и vision-задач

Практический обзор бесплатных локальных моделей и стеков для:

- генерации изображений;
- OCR и извлечения текста с изображений;
- анализа изображений (VLM).

## 1) Важно: два разных класса задач

1. **Text-to-image / image-to-image** (генерация графики)
   - Обычно через **Stable Diffusion / FLUX** в UI-проектах (`ComfyUI`, `AUTOMATIC1111`, `Forge`).
   - Это не Ollama-first сценарий.
2. **Vision + OCR + описание изображений**
   - Удобно через **Ollama** (модели типа `llava`, `minicpm-v`, `qwen2.5vl`).
   - Хорошо подходит для "прочитай скриншот", "извлеки текст", "опиши таблицу".

## 2) Что можно скачать бесплатно через Ollama (vision/OCR)

```bash
ollama pull llava:7b
ollama pull minicpm-v
ollama pull qwen2.5vl
```

Быстрая проверка:

```bash
ollama run llava:7b
ollama run minicpm-v
ollama run qwen2.5vl
```

Примеры задач:

- распознать текст на скриншоте;
- описать диаграмму/интерфейс;
- извлечь структуру из изображения (поля формы, таблица, блоки).

## 3) Бесплатная локальная генерация изображений (рекомендуемый путь)

Для генерации картинок лучше использовать отдельный UI-стек:

- **ComfyUI** (гибкий workflow-граф, хороший для продвинутых пайплайнов),
- **AUTOMATIC1111** (классический web UI),
- **Stable Diffusion WebUI Forge** (быстрый и удобный форк для повседневки).

### Базовые бесплатные модели для старта

- **SDXL Base 1.0** — универсальный baseline;
- **FLUX.1-schnell** — быстрый современный вариант;
- **SD 1.5** — если видеопамяти мало.

Популярные community-чекпоинты:

- JuggernautXL
- DreamShaper
- RealVisXL

## 4) Минимальная установка ComfyUI (Ubuntu, NVIDIA)

> Если уже есть рабочий Python и CUDA-драйверы, это самый прямой путь к local image generation.

```bash
sudo apt update
sudo apt install -y git python3 python3-venv

cd ~
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
python3 -m venv .venv
source .venv/bin/activate
pip install --upgrade pip
pip install -r requirements.txt
python main.py --listen 0.0.0.0 --port 8188
```

После запуска откройте UI в браузере (локально обычно `http://127.0.0.1:8188`).

### Куда класть модели в ComfyUI

Обычно:

- checkpoint: `ComfyUI/models/checkpoints/`
- VAE: `ComfyUI/models/vae/`
- LoRA: `ComfyUI/models/loras/`
- ControlNet: `ComfyUI/models/controlnet/`

## 5) OCR-практика: что выбрать

Для простого OCR/понимания скриншотов:

- сначала попробуйте `minicpm-v` или `qwen2.5vl` через Ollama;
- если нужно строгое OCR-качество по документам, добавьте специализированный OCR-движок (например Tesseract/PaddleOCR) как отдельный инструмент.

Пример с Tesseract (Ubuntu):

```bash
sudo apt update
sudo apt install -y tesseract-ocr tesseract-ocr-rus tesseract-ocr-eng
tesseract image.png stdout -l rus+eng
```

Комбинация "OCR-движок + LLM" часто даёт лучший результат:

1. OCR извлекает сырой текст.
2. LLM нормализует, структурирует и суммирует.

## 6) Аппаратные ориентиры для графики

- **8 GB VRAM**: SD 1.5, облегчённые workflow.
- **12 GB VRAM**: SDXL в комфортном режиме.
- **16+ GB VRAM**: тяжёлые SDXL/FLUX workflow, ControlNet, батчи.

Для общего подбора железа смотрите: `hardware-budgets.md`.

## 7) Как связать это с OpenClaude

Типичный рабочий вариант:

1. OpenClaude решает текстовые и кодовые задачи.
2. Отдельный локальный image stack (ComfyUI/Forge/A1111) генерирует картинки.
3. Vision/OCR модели в Ollama (`llava` / `minicpm-v` / `qwen2.5vl`) анализируют изображения и возвращают текст/описания.

Если нужна интеграция в единый агентный пайплайн, добавьте MCP-инструмент-обёртку к вашему image/OCR сервису.