前言

给AI装上“眼睛”有多简单？此前我们通过终端操作，亲身体验了Ollama运行Qwen 3.5视觉版的强悍本地识图能力——无需联网、不耗API额度，识别精度远超预期。但对于开发者而言，单纯的终端演示远远不够，如何将这种“零成本视觉AI”集成到实际项目中，真正落地到业务场景？

今天就手把手教大家，用Java17+OkHttp打造本地自动识图程序，全程零API费用、数据不出本地，既能精准识别图片内容，还能通过JSON格式与现有业务系统无缝对接，复制代码就能直接用！

1. 先搞懂核心逻辑：程序员眼中的本地Ollama

很多开发者觉得本地AI部署很复杂，其实看透本质后非常简单：Ollama启动后，本质就是一个运行在11434端口的轻量级Web Server。我们无需深入理解神经网络的底层原理，只要用Java发送标准的HTTP POST请求，就能调用Qwen 3.5的视觉推理能力。

核心数据流转流程（极简理解）：

  • Java应用：扫描本地指定文件夹，读取图片文件并转为Base64字符串（Ollama接口标准接收格式）；

  • HTTP传输：通过OkHttpClient构造JSON请求包，将Base64图片数据发送到本地Ollama服务；

  • 模型推理：Qwen 3.5视觉模型接收请求，完成图片分析推理，返回JSON格式的识别结果；

  • 结果处理：Java解析返回的JSON，清洗无效格式，直接对接业务逻辑（如票据提取、图片内容归档等）。

2. 核心代码实战（复制即用，生产级适配）

实战前先明确环境要求：JDK17+、Ollama已安装（并下载qwen3.5:0.8b模型）、Maven项目。核心依赖选用OkHttp（处理HTTP请求）+Fastjson2（解析JSON），轻量且稳定。

2.1 引入Maven依赖

直接复制到pom.xml中，无需额外调整版本（亲测兼容主流JDK17环境）：

<dependencies>
    <!-- OkHttp：优雅处理HTTP请求，支持超时配置 -->
    <dependency>
        <groupId>com.squareup.okhttp3</groupId>
        <artifactId>okhttp</artifactId>
        <version>4.12.0</version>
    </dependency>
    <!-- Fastjson2：高效解析JSON，处理响应数据更便捷 -->
    <dependency>
        <groupId>com.alibaba.fastjson2</groupId>
        <artifactId>fastjson2</artifactId>
        <version>2.0.43</version>
    </dependency>
</dependencies>

2.2 完整Java工具类实现

这不是简单的Demo，而是可直接封装为Service的工具类，包含图片自动扫描、Base64转换、超时防护、响应清洗等生产级特性，注释详细，新手也能看懂每一步作用。

import com.alibaba.fastjson2.JSON;
import com.alibaba.fastjson2.JSONObject;
import okhttp3.*;

import java.io.File;
import java.io.IOException;
import java.nio.file.Files;
import java.util.Base64;
import java.util.Collections;
import java.util.concurrent.TimeUnit;
import java.util.regex.Pattern;

/**
 * Ollama 本地Qwen 3.5视觉模型调用客户端
 * 功能：自动扫描本地图片、调用模型识别、返回标准JSON结果
 * 可直接集成到SpringBoot等Java项目，封装为Service使用
 * @author 技术干货分享
 */
public class OllamaVisionClient {

    // Ollama本地服务默认API地址（固定端口11434，无需修改）
    private static final String OLLAMA_API_URL = "http://localhost:11434/api/generate";
    // 需与本地Ollama安装的模型名称一致（此处为qwen3.5:0.8b，可根据实际修改）
    private static final String QWEN_MODEL_NAME = "qwen3.5:0.8b";
    // 本地图片存放目录（请替换为自己的图片路径，如D:/imgs）
    private static final String LOCAL_IMAGE_FOLDER = "/Users/wy/Downloads/imgs";
    // OkHttpClient配置：大模型推理耗时较长，放宽超时时间
    private static final OkHttpClient OK_HTTP_CLIENT = new OkHttpClient.Builder()
            .connectTimeout(60, TimeUnit.SECONDS) // 连接超时，避免网络波动导致失败
            .readTimeout(120, TimeUnit.SECONDS)   // 读取超时（模型推理耗时）
            .build();
    // 正则表达式：清洗模型返回的Markdown格式，提取纯JSON
    private static final Pattern MARKDOWN_CLEAN_PATTERN =
            Pattern.compile("(?s)^```json\\s*|^```\\s*|```$");

    public static void main(String[] args) {
        // 初始化图片目录
        File imageFolder = new File(LOCAL_IMAGE_FOLDER);
        // 过滤出JPG、PNG格式图片（可根据需求添加JPEG、WEBP等格式）
        File[] imageFiles = imageFolder.listFiles((dir, fileName) ->
                fileName.toLowerCase().endsWith(".jpg") || fileName.toLowerCase().endsWith(".png"));

        // 校验目录是否有图片
        if (imageFiles == null || imageFiles.length == 0) {
            System.out.println("提示：指定目录下无图片文件，请放入JPG/PNG格式图片后重试！");
            return;
        }

        System.out.println("开始执行本地图片识别任务，共发现 " + imageFiles.length + " 张图片...");

        // 批量处理每张图片
        for (File imgFile : imageFiles) {
            try {
                // 核心方法：分析图片并返回结果
                analyzeLocalImage(imgFile);
            } catch (Exception e) {
                System.err.println("处理图片 [" + imgFile.getName() + "] 时出现异常：" + e.getMessage());
            }
        }

        System.out.println("所有图片处理完成！");
    }

    /**
     * 核心方法：读取本地图片，调用Ollama模型进行识别分析
     * @param imgFile 本地图片文件
     * @throws IOException 图片读取或HTTP请求异常
     */
    private static void analyzeLocalImage(File imgFile) throws IOException {
        System.out.println("\n正在读取并分析图片：" + imgFile.getName() + " ...");

        // 步骤1：将图片文件转为Base64字符串（Ollama接口要求的图片格式）
        byte[] imageBytes = Files.readAllBytes(imgFile.toPath());
        String imageBase64 = Base64.getEncoder().encodeToString(imageBytes);

        // 步骤2：构造HTTP请求的JSON参数（Payload）
        JSONObject requestParam = new JSONObject();
        requestParam.put("model", QWEN_MODEL_NAME); // 指定调用的模型
        // 提示词：指定模型返回纯JSON，避免多余格式，方便业务解析
        requestParam.put("prompt", """
                请详细分析这张图片的内容，若是文档、票据类图片，需提取所有关键信息。
                最终结果必须以纯JSON格式返回，严格遵守以下4点要求：
                1. 禁止使用Markdown代码块包裹
                2. 禁止用```json开头或```结尾
                3. 不添加任何多余的解释说明文字
                4. 返回内容必须以{开头、以}结尾，保证JSON格式合法
        """);
        requestParam.put("stream", false); // 关闭流式返回，一次性获取完整结果
        requestParam.put("images", Collections.singletonList(imageBase64)); // 传入Base64图片

        // 步骤3：发送POST请求到Ollama本地服务
        Request request = new Request.Builder()
                .url(OLLAMA_API_URL)
                .post(RequestBody.create(
                        requestParam.toJSONString(),
                        MediaType.parse("application/json")
                ))
                .build();

        // 步骤4：解析响应结果并清洗
        try (Response response = OK_HTTP_CLIENT.newCall(request).execute()) {
            if (response.isSuccessful() && response.body() != null) {
                // 解析返回的JSON数据
                JSONObject responseJson = JSON.parseObject(response.body().string());
                String aiResult = responseJson.getString("response");

                // 清洗结果，去除无效格式，保留纯JSON
                String cleanResult = cleanResponseData(aiResult.trim());

                // 打印识别结果
                System.out.println("[图片分析完成] " + imgFile.getName());
                System.out.println("--------------------------------------------------");
                System.out.println(cleanResult);
                System.out.println("--------------------------------------------------");
            } else {
                System.out.println("请求失败，Ollama服务响应状态码：" + response.code());
            }
        }
    }

    /**
     * 辅助方法：清洗模型返回的响应数据，提取纯JSON内容
     * @param response 模型原始响应字符串
     * @return 清洗后的纯JSON字符串
     */
    public static String cleanResponseData(String response) {
        if (response == null || response.trim().isEmpty()) {
            return "{}"; // 空响应返回空JSON，避免解析异常
        }

        // 1. 去除Markdown代码块包裹（模型可能返回带```的格式）
        String cleanedJson = MARKDOWN_CLEAN_PATTERN.matcher(response).replaceAll("").trim();

        // 2. 容错处理：若JSON不是以{开头，提取第一个{到最后一个}之间的内容
        if (!cleanedJson.startsWith("{")) {
            int jsonStartIndex = cleanedJson.indexOf("{");
            int jsonEndIndex = cleanedJson.lastIndexOf("}");
            if (jsonStartIndex != -1 && jsonEndIndex != -1 && jsonEndIndex > jsonStartIndex) {
                cleanedJson = cleanedJson.substring(jsonStartIndex, jsonEndIndex + 1);
            }
        }

        return cleanedJson;
    }
}

3. 运行效果演示（真实可复现）

运行前准备：

  1. 启动Ollama服务（终端输入ollama serve）；

  2. 修改代码中LOCAL_IMAGE_FOLDER为自己的图片目录，放入测试图片（如票据、文档、普通图片）；

  3. 运行Java程序，等待识别完成。

实际运行输出（以票据识别为例）：

开始执行本地图片识别任务，共发现 1 张图片...

正在读取并分析图片：fapiao.png ...
[图片分析完成] fapiao.png
--------------------------------------------------
{
    "项目名称": "运输服务*客运服务费",
    "单价": "27.72",
    "数量": "1",
    "金额": "27.72",
    "税率/征收率": "3%",
    "税额": "0.83",
    "合计": "¥27.72",
    "价税合计（大写）": "贰拾捌圆伍角伍分",
    "价税合计（小写）": "¥28.55",
    "开票人": "侯娇",
    "出行人": "",
    "有效身份证件号": "",
    "出行日期": "",
    "出发地": "",
    "到达地": "",
    "备注": ""
}
--------------------------------------------------
所有图片处理完成！

说明：识别结果会根据图片内容自动调整，文档类会提取文字，普通图片会详细描述内容，JSON格式可直接用于业务逻辑处理（如存入数据库、展示到前端）。

4. 核心价值总结（开发者必看）

这行代码看似简单，却能帮开发者解决3个核心痛点，真正实现“零成本落地视觉AI”：

4.1 零成本替代云端OCR服务

无需购买百度OCR、阿里OCR等付费API，本地Qwen 3.5视觉模型对常规票据、文档、图片的识别率足以满足大部分业务需求，终身免费，无调用次数限制。

4.2 数据隐私绝对安全

所有图片数据、推理过程都在本地完成，仅在localhost（11434端口）传输，没有任何数据上传到公网。对于金融、医疗、政务等敏感业务场景，这是不可替代的优势。

4.3 无缝对接现有Java项目

可直接将工具类封装为SpringBoot Service，配合Vue3+Element Plus搭建前端上传界面，快速实现“图片上传→本地识别→结果展示”的完整流程，落地到实际业务。

5. 常见问题排查（避坑指南）

  • 请求失败，状态码404：检查Ollama服务是否启动，API地址是否为http://localhost:11434/api/generate；

  • 模型未找到：终端输入ollama pull qwen3.5:0.8b，确保模型下载完成；

  • 超时异常：适当调整OkHttpClient的readTimeout（如改为180秒），大图片推理耗时更长；

  • JSON解析失败：检查提示词是否严格要求“纯JSON返回”，避免模型返回多余文字。

结语：在AI落地的浪潮中，本地部署模型正在成为开发者的首选——零成本、高隐私、可定制。这篇教程的代码可直接复制使用，建议收藏备用，后续会更新SpringBoot集成、前端可视化对接教程，关注不迷路！

如果运行过程中遇到问题，欢迎在评论区留言，一起交流探讨～

# java # 人工智能 # 开发语言
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

【永磁同步电机的通量链接模型】使用有限元分析得到的磁通链接图来建立PMSM模型（Simulink仿真实现）

永磁同步电机的磁通链接模型是通过有限元分析获得的磁通链接图来建立的。有限元分析是一种强大的工程仿真工具，通过对电机的几何形状、材料特性和电磁特性进行数值建模和分析，可以准确地预测电机的磁场分布、磁通链接和电磁特性。基于这些有限元分析的结果，可以建立PMSM的磁通链接模型，用于研究电机的性能、响应和控制策略。磁通链接模型可以帮助工程师更好地理解PMSM的电磁特性，例如磁通分布、磁链响应和电磁参数。通

avatar AtomGit开源社区

数字孪生：实时重构三维模型

潭龙东海以**视频实时重构三维模型**为核心，打破传统管理壁垒，实现场景实时查看、便捷管控，覆盖六大核心领域，让每一处变化都清晰可见，每一次管理都高效便捷。未来，潭龙东海将持续深耕实时三维重构与数字孪生技术，助力千行百业实现“实时查看、便捷管理”，迈入高效、智能、数字化管理新时代。

avatar AtomGit开源社区
cover

【smtplib，一个发送邮件的 Python 库！】标准库也能玩出企业级邮件自动化

avatar AtomGit开源社区