feat: add return_word_box option and simplify progress checkpoints

Co-Authored-By: Claude Code <noreply@anthropic.com>
This commit is contained in:
zimoyin
2026-10-13 14:39:02 +08:00
parent d4bbddc4e4
commit 52696aca90
10 changed files with 165 additions and 42 deletions
+57 -15
View File
@@ -162,26 +162,26 @@ ocr_workers: 1
```text
2026-10-12 10:00:00 INFO [ocr_server.task] file_id=xxx 已加入 OCR 队列 image=1.png
2026-10-12 10:00:01 INFO [ocr_server.task] file_id=xxx 开始处理 image=1.png
2026-10-12 10:00:01 INFO [ocr_server.task] file_id=xxx 进度 5% 任务开始,准备推理
2026-10-12 10:00:01 INFO [ocr_server.task] file_id=xxx 进度 5% 任务开始
2026-10-12 10:00:02 INFO [ocr_server.ocr] OCR 引擎加载完成
2026-10-12 10:00:02 INFO [ocr_server.task] file_id=xxx 进度 10% 模型已就绪
2026-10-12 10:00:02 INFO [ocr_server.task] file_id=xxx 进度 20% 图片已解码,开始文字检测
2026-10-12 10:00:40 INFO [ocr_server.task] file_id=xxx 进度 50% 文字检测完成
2026-10-12 10:01:35 INFO [ocr_server.task] file_id=xxx 进度 80% 文字识别完成
2026-10-12 10:01:35 INFO [ocr_server.task] file_id=xxx 进度 100% 识别完成
2026-10-12 10:00:02 INFO [ocr_server.task] file_id=xxx 进度 10% 模型就绪
2026-10-12 10:00:02 INFO [ocr_server.task] file_id=xxx 进度 20% 图片就绪
2026-10-12 10:00:40 INFO [ocr_server.task] file_id=xxx 进度 50% 框识别完成
2026-10-12 10:01:35 INFO [ocr_server.task] file_id=xxx 进度 80% 文本识别完成
2026-10-12 10:01:35 INFO [ocr_server.task] file_id=xxx 进度 100% 完成
2026-10-12 10:01:35 INFO [ocr_server.task] file_id=xxx 处理结束 status=completed elapsed=94000.00ms
```
进度含义:
| 进度 | 含义 |
| --- | --- |
| 5% | 工作线程取到任务,准备推理 |
| 10% | OCR 引擎就绪(首次包含模型加载时间) |
| 20% | 图片已解码,开始文字检测 |
| 50% | 文字检测完成 |
| 80% | 文字识别完成 |
| 100% | 结果组装完成,任务结束 |
| 进度 | 关键点 | 含义 |
| --- | --- | --- |
| 5% | 任务开始 | 工作线程取到任务,准备推理 |
| 10% | 模型就绪 | OCR 引擎就绪(首次包含模型加载时间) |
| 20% | 图片就绪 | 图片已解码,进入检测 |
| 50% | 框识别完成 | 文本框检测完成 |
| 80% | 文本识别完成 | 文本框内容识别完成 |
| 100% | 完成 | 结果组装完成,任务结束 |
其中 50% 和 80% 来自真实的检测模型和识别模型调用完成,不是估算值。`/api/v1/i2t` 返回的 `progress` 字段与日志中的进度一致。
@@ -192,7 +192,7 @@ ocr_workers: 1
Paddle 在初始化推理引擎时会把 **root logger 的级别改成 `WARNING`**(实测:初始化前 `INFO`,初始化后变 `WARNING`)。如果日志 handler 挂在 root 上、依赖 root 的级别,那么从「加载引擎」开始的所有 `INFO` 日志都会被静默过滤,表现为:
```text
进度 5% 任务开始,准备推理
进度 5% 任务开始
加载 OCR 引擎: ...
(此后 10% / 20% / 50% / 80% / 100% 全部消失)
```
@@ -590,6 +590,47 @@ Windows 不能直接生成 Ubuntu ELF 二进制。`package-ubuntu.sh` 必须在
GPU 部署不使用当前 CPU 依赖作为判断依据,请按照 PaddlePaddle 官方文档安装与 CUDA、cuDNN、驱动匹配的 GPU 版本,然后再安装本项目依赖。
## 文本框开关:return_word_box
配置:
```yaml
return_word_box: false
```
默认 `false`:每个 `polygon.textN` 只返回该文本片段的整体 `Location`,速度更快、JSON 更小。
开启:
```yaml
return_word_box: true
```
识别结果中每个文本片段会增加 `words`:
```json
{
"text1": {
"text": "检查号:26100830064",
"confidence": 0.99,
"Location": {
"xtop": 0,
"ytop": 0,
"xbottom": 300,
"ybottom": 30
},
"line": 1,
"paragraphs": 1,
"words": [
[[0, 0], [60, 0], [60, 30], [0, 30]],
[[60, 0], [120, 0], [120, 30], [60, 30]]
]
}
}
```
`words` 是按 PaddleOCR 返回的字/词级四点 polygon 数组,顺序与识别文本对应。开启后会增加识别耗时与响应体积,只有需要逐字定位时才建议打开;整体文本框 `Location` 无论开关都保留。
## API
### 1. 上传图片
@@ -938,6 +979,7 @@ log_level: INFO
| `text_recognition_batch_size` | `1` | 识别批量大小;内存足够时可提高 |
| `cpu_threads` | `max` | CPU 推理线程数;正整数或 `max`(`max` = 吃满所有逻辑核心) |
| `enable_mkldnn` | `true` | 是否启用 oneDNN 加速;**需要 `paddlepaddle` 3.2.x**,见下方说明 |
| `return_word_box` | `false` | 是否返回文本片段内部的字/词级 polygon(会增加耗时和 JSON 体积) |
| `log_level` | `INFO` | 日志级别:`DEBUG`、`INFO`、`WARNING`、`ERROR` |
接口文档:启动后访问 <http://127.0.0.1:8000/docs>。