feat(fields): 字段抽取支持按行锁定与多项匹配开关,修复进度日志被吞
字段抽取 src/ocr_server/fields.py - 新增 row:只从第 N 行取值,行号由 bbox 纵向重叠的坐标分组得出,-1 表示不限定; 用于排除正文/页眉里同名标签造成的误取 - 新增 separator_optional(标签后无冒号也抽,默认关闭) 与 label_linebreak(标签内部跨行,如 姓 + 名:,默认关闭) - 新增 occurrence(first/last,正副本、页眉页脚重复打印时取最后一个) 与全局 extract_include_empty(未命中的字段返回空串,便于固定 schema) - 修复:跨行命中的标签文本包含换行,归一化时未去换行导致匹配不到字段规则、 取到的值被丢弃 - build_specs 在服务启动时校验:字段名重复、同一标签被多个字段共用、 正则语法、max_length / occurrence / row 取值合法性 日志 src/ocr_server/logging_setup.py - handler 改挂到 ocr_server logger 并关闭向 root 传播:Paddle 初始化会把 root 级别改成 WARNING,依赖 root 会导致其后所有 INFO 日志(含 10/20/50/80/100 进度行)被静默过滤,看起来像任务卡死 引擎配置 - enable_mkldnn 由写死的 False 改为可配置;cpu_threads 支持 max(吃满逻辑核心) - pyproject 固定 paddlepaddle>=3.2,<3.3:3.3.x 的 PIR + oneDNN 组合会直接推理失败 打包 - 移除多余的 scripts 目录打包;新增 -DistPath 便于 dist 被占用时改址构建; 构建结束输出 exe SHA256(避免再拿到旧产物) - Ubuntu 脚本同步更新,并输出二进制 SHA256 文档 - README / config.yaml 注释按实测修订:行结构、模型档位对比、oneDNN 与版本差异、 汉字字符类的范围与缺口、防止取错的机制与建议 Co-Authored-By: Claude Code <noreply@anthropic.com>
This commit is contained in:
@@ -85,6 +85,43 @@ PaddleOCR 还提供更小的移动端模型,但 PP-OCRv5 中文识别模型当
|
||||
|
||||
当前没有自动下载或替换任何小模型,也没有修改现有 PP-OCRv5 权重。服务只读加载模型;若要切换模型,必须使用新的模型目录或先制作备份。
|
||||
|
||||
### 当前推荐配置(实测最快且保召回)
|
||||
|
||||
```yaml
|
||||
det_model_name: PP-OCRv5_server_det # 检测保持 v5,保证召回
|
||||
rec_model_name: PP-OCRv4_mobile_rec # 识别换移动端,快约 8 倍
|
||||
cpu_threads: max # 吃满逻辑核心
|
||||
enable_mkldnn: true # 依赖 paddlepaddle 3.2.x
|
||||
text_recognition_batch_size: 8
|
||||
text_det_limit_side_len: 512
|
||||
```
|
||||
|
||||
叠加效果(1.png,1920x1080,339 个文本框;经服务完整路径实测):
|
||||
|
||||
| 配置 | 耗时 | 框数 | 字符数 |
|
||||
| --- | --- | --- | --- |
|
||||
| 初始状态(v5rec,3.3.1,无 oneDNN) | 729.39s | 339 | 1747 |
|
||||
| + 移动端识别(3.3.1,无 oneDNN) | 91.25s | 339 | 1746 |
|
||||
| + oneDNN(paddlepaddle 3.2.2) | **26.17s(约 27.9 倍)** | 339 | 1746 |
|
||||
|
||||
**提速约 28 倍,而框数与字符数与精度优先档基本一致**,召回没有损失。
|
||||
|
||||
同一配置下另外两张图(完整服务路径):
|
||||
|
||||
| 图片 | 耗时 | 框数 | 字符数 |
|
||||
| --- | --- | --- | --- |
|
||||
| 2.png (1920x1080) | 7.49s(原 213.52s) | 73 | 430 |
|
||||
| general_ocr_002.png (896x528) | 8.01s(原 70.45s) | 35 | 245 |
|
||||
|
||||
### cpu_threads 取 max 的含义
|
||||
|
||||
```yaml
|
||||
cpu_threads: max # = os.cpu_count(),本机 20 逻辑核 → 20
|
||||
cpu_threads: 8 # 也可以直接写具体数字
|
||||
```
|
||||
|
||||
`max` 是「省心」选项,**不保证最快**:本机为 20 逻辑核 / 14 物理核,超过物理核心数后超线程会争抢,收益递减,还会挤占同机其它服务。建议用 `benchmark_ocr.py` 实测 8 / 14 / max 三档再定。
|
||||
|
||||
### 不换模型的加速方式
|
||||
|
||||
先尝试以下配置,不会修改模型文件:
|
||||
@@ -129,6 +166,22 @@ ocr_workers: 1
|
||||
|
||||
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。
|
||||
|
||||
### 为什么日志 handler 挂在 `ocr_server` logger 而不是 root
|
||||
|
||||
⚠️ 这是一个容易复现的坑,修改日志配置时请注意。
|
||||
|
||||
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
|
||||
加载 OCR 引擎: ...
|
||||
(此后 10% / 20% / 50% / 80% / 100% 全部消失)
|
||||
```
|
||||
|
||||
而接口其实是正常工作的(`progress` 字段仍会到 100),只是**日志被吞了**,非常容易误判为「卡住了」。
|
||||
|
||||
因此 `logging_setup.py` 把 handler 挂在 `ocr_server` logger 上,显式设置级别并 `propagate = False`,从而不受 Paddle 改动 root 的影响。`tests/test_logging.py` 里有对应的回归测试。
|
||||
|
||||
调整日志级别:
|
||||
|
||||
```yaml
|
||||
@@ -188,6 +241,62 @@ NotImplementedError: ConvertPirAttribute2RuntimeAttribute not support
|
||||
|
||||
因此该配置下慢的根因是「CPU 推理未启用 oneDNN」,不是队列或接口阻塞。
|
||||
|
||||
### 让 oneDNN 可用:换 PaddlePaddle 版本(实测快 1.64 倍)
|
||||
|
||||
`paddlepaddle 3.3.1` 是 PyPI 上当前最新版,它的 PIR + oneDNN 组合有缺陷,无法启用 oneDNN(`enable_new_ir=False` 也绕不过,因为新执行器是强制启用的)。
|
||||
|
||||
降级到 `paddlepaddle 3.2.2` 后 oneDNN 可正常启用。同一台机器、同一模型、同一张图、`cpu_threads=20`、`batch=8`,顺序执行无干扰:
|
||||
|
||||
| PaddlePaddle | oneDNN | 识别耗时 | 行数 |
|
||||
| --- | --- | --- | --- |
|
||||
| 3.3.1 | 关闭(当前默认) | 84.01s | 34 |
|
||||
| 3.2.2 | 关闭 | 86.84s | 34 |
|
||||
| 3.2.2 | **开启** | **51.23s** | 34 |
|
||||
|
||||
结论:
|
||||
|
||||
- **单纯降级不变快**(84.01s vs 86.84s,属于噪声),提速完全来自 oneDNN;
|
||||
- **3.2.2 + oneDNN 快 1.64 倍**;
|
||||
- 换 PaddlePaddle 版本**不换模型**,权重文件一个字节都不动。
|
||||
|
||||
#### oneDNN 是纯提速,不改变输出
|
||||
|
||||
同一环境下只切换 `enable_mkldnn` 开关,输出逐字节一致:
|
||||
|
||||
```text
|
||||
官方样例图 paddle=3.3.1 mkldnn=False n=34 chars=252 md5=ecb944dadcdb
|
||||
官方样例图 paddle=3.2.2 mkldnn=True n=34 chars=252 md5=ecb944dadcdb
|
||||
|
||||
1.png paddle=3.2.2 mkldnn=False predict=148.12s segments=452 chars=2374 md5=0ca69ecd7aaf
|
||||
1.png paddle=3.2.2 mkldnn=True predict= 30.95s segments=452 chars=2374 md5=0ca69ecd7aaf
|
||||
```
|
||||
|
||||
1.png 上开启 oneDNN 后 **148.12s → 30.95s(快 4.8 倍)**,而 md5 完全相同。所以 oneDNN 只影响速度,不影响识别结果。
|
||||
|
||||
#### 降级版本本身不改变输出
|
||||
|
||||
项目环境内实测(同一模型、同一参数、同一张 1.png、`side=640`):
|
||||
|
||||
| PaddlePaddle | oneDNN | 检测框数 | 字符数 |
|
||||
| --- | --- | --- | --- |
|
||||
| 3.3.1 | 关闭 | 339 | 1746 |
|
||||
| 3.2.2 | 开启 | 339 | 1746 |
|
||||
|
||||
同一配置连续跑 3 次,结果稳定为 339 框 / 1746 字符,说明**输出是确定性的,且 PaddlePaddle 版本不影响检测结果**,提速完全来自 oneDNN。
|
||||
|
||||
一次遗留说明:在项目外的独立虚拟环境里,同样的参数曾测到 452 框 / 2374 字符,与项目环境不一致。两个环境的依赖版本经比对完全相同(paddlepaddle 3.2.2 / paddleocr 3.7.0 / paddlex 3.7.2 / opencv 4.10.0.84 / numpy 2.3.5),模型目录也是同一个,**该差异原因未定位**。由于两个环境各自内部都重复稳定,且 oneDNN 的中性结论在两个环境分别验证过(各自开启/关闭输出 md5 一致),这不影响上述结论,但仍建议以项目环境(即实际服务环境)的实测为准。
|
||||
|
||||
#### 启用所需的改动
|
||||
|
||||
两项都要做,缺一不可:
|
||||
|
||||
1. 把依赖从 `paddlepaddle 3.3.1` 降到 `3.2.2`;
|
||||
2. 让 `enable_mkldnn` 可配置——当前 `src/ocr_server/ocr.py` 里是**写死的 `False`**,需要新增配置项。
|
||||
|
||||
本次验证在项目外的独立虚拟环境完成(`paddleocr 3.7.0` + `paddlex 3.7.2` + `paddlepaddle 3.2.2` 可正常推理),未改动你的项目环境和模型。
|
||||
|
||||
该提速与「v5 检测 + 移动端识别」的提速**相互独立、可以叠加**:1.png 从 729s 降到 30.95s(约 23.5 倍)。
|
||||
|
||||
### 换成移动端模型:速度提升极大,但密集文本会严重丢字
|
||||
|
||||
⚠️ 这一档**不适合文本密集的图片**,务必先用自己的图验证。
|
||||
@@ -217,9 +326,41 @@ NotImplementedError: ConvertPirAttribute2RuntimeAttribute not support
|
||||
结论:
|
||||
|
||||
- 图片文本稀疏(票据、证件、少数字段)→ 移动端可用,收益巨大;
|
||||
- 图片文本密集(表格、文档、截图)→ **不要用移动端**,会大面积丢字;
|
||||
- 图片文本密集(表格、文档、截图)→ **不要整体换成移动端**,检测器会大面积丢字;
|
||||
- 判断标准不是分辨率,而是**文本密度**,必须用自己的真实图片实测。
|
||||
|
||||
### 推荐搭配:v5 检测 + 移动端识别
|
||||
|
||||
丢字的元凶是 `PP-OCRv4_mobile_det`(检测器),不是移动端识别模型。把检测保留 v5、只换识别,可以同时保住召回和速度。
|
||||
|
||||
1.png(1920x1080,339 个文本框),`text_det_limit_side_len: 640`、`cpu_threads: 20`、`batch: 8`:
|
||||
|
||||
| 检测模型 | 识别模型 | 耗时 | 片段数 | 字符数 |
|
||||
| --- | --- | --- | --- | --- |
|
||||
| `PP-OCRv5_server_det` | `PP-OCRv5_server_rec` | 729.39s | 339 | 1747 |
|
||||
| `PP-OCRv5_server_det` | `PP-OCRv4_mobile_rec` | **91.25s** | 339 | **1746** |
|
||||
| `PP-OCRv4_mobile_det` | `PP-OCRv4_mobile_rec` | 7.82s | **46** | **166** |
|
||||
|
||||
**快 8 倍,框数一致,字符数只差 1 个。** 识别阶段从 721s 降到 83.7s,说明瓶颈在识别模型,而移动端识别模型在密集文本上没有明显损失。
|
||||
|
||||
文本级对比(官方样例图,两者都是 35 个片段,检测模型相同):
|
||||
|
||||
```text
|
||||
v5rec : 登机牌|date|舱位|…|MU 2379|…|票号TKT NO.|…|起飞前1O分钟关闭GATESCLOSE1OMINUTESBEFORE DEPARTURETIME
|
||||
mobrec: 登机牌|DATE|舱位|…|MU2379|…|票号TKTNO.|…|起飞前10分钟关闭 GATESCLOSE10MINUTESBEFOREDEPARTURETIME
|
||||
```
|
||||
|
||||
该样本中移动端识别有两处反而更准:`date` 识别为 `DATE`、`前1O分钟` 识别为 `前10分钟`(v5 把数字 0 错认为字母 O)。主要差异只是空格分词方式。
|
||||
|
||||
配置写法(两个模型名可以独立指定、跨版本混用):
|
||||
|
||||
```yaml
|
||||
det_model_name: PP-OCRv5_server_det
|
||||
rec_model_name: PP-OCRv4_mobile_rec
|
||||
```
|
||||
|
||||
注意:混用不同代际的检测/识别模型属于非官方推荐组合,本项目实测可用且字符数一致,但仍请用你自己的图片验证后再上线。
|
||||
|
||||
### text_det_limit_side_len 与文本密度强相关
|
||||
|
||||
对 1920x1080 的密集图片实测:
|
||||
@@ -523,6 +664,189 @@ curl -X POST http://127.0.0.1:8000/api/v1/i2t \
|
||||
|
||||
两个检测框在同一文本行时会分配相同的 `line` 编号;相邻文本行属于同一自然段时会分配相同的 `paragraphs` 编号。可选 `min_confidence`(0–1)过滤低置信度片段,服务会重新计算行编号和段编号。
|
||||
|
||||
### 3. 字段抽取(预设标签)
|
||||
|
||||
识别完成后可以按键值对抽取结构化字段,结果放在响应的 `data.fields` 里。
|
||||
|
||||
在 `config.yaml` 里配置预设:
|
||||
|
||||
```yaml
|
||||
extract_fields:
|
||||
- name: 姓名
|
||||
aliases: [患者姓名, 病人姓名]
|
||||
pattern: '[一-鿿〇·]{1,12}' # 中文汉字 + 〇 + 间隔号,最多 12 字
|
||||
max_length: 12
|
||||
- name: 检查号
|
||||
pattern: '[A-Za-z0-9-]{1,24}'
|
||||
max_length: 24
|
||||
- name: 年龄
|
||||
pattern: '\d{1,3}\s*岁' # 边界含匹配内容,结果会带「岁」
|
||||
compact: true
|
||||
- name: 临床诊断
|
||||
end_pattern: '[;;,,。]' # 终止符语义,不返回该标点
|
||||
max_length: 50
|
||||
|
||||
extract_separators: [":", ":"]
|
||||
```
|
||||
|
||||
每个字段可用的配置项:
|
||||
|
||||
| 配置项 | 说明 | 边界 |
|
||||
| --- | --- | --- |
|
||||
| `name` | 输出字段名,同时作为默认标签 | — |
|
||||
| `aliases` | 其他标签写法,可选 | — |
|
||||
| `compact` | `true` 时删除值内部所有空白(`43 岁` → `43岁`) | — |
|
||||
| `pattern` | **值内容正则**。从值起始处匹配,只取匹配到的部分;不匹配则该字段不返回 | **含**匹配内容 |
|
||||
| `end_pattern` | **结束正则**。值在此处截断 | **不含**匹配内容 |
|
||||
| `max_length` | 值最大字符数,超出则截断 | — |
|
||||
| `multiline` | 值是否允许跨行,默认 `false`(换行即结束) | — |
|
||||
| `occurrence` | 同名标签出现多次时取哪个,`first`(默认)或 `last` | — |
|
||||
| `separator_optional` | `true` 时标签后不带冒号也能抽(默认 `false`) | — |
|
||||
| `label_linebreak` | `true` 时允许标签内部跨行,如 `姓` + `名:`(默认 `false`) | — |
|
||||
| `row` | 只从第 N 行取值;`-1`(默认)不限定 | — |
|
||||
|
||||
`pattern` 与 `end_pattern` 的边界语义相反,用途也不同:
|
||||
|
||||
```text
|
||||
pattern: '\d{1,3}\s*岁' → "43岁" (含,用来精确取形状)
|
||||
end_pattern: '[;;,,]' → "大便习惯改变" (不含,用来切掉终止符)
|
||||
```
|
||||
|
||||
正则写在**单引号**里即可,反斜杠不用转义(如 `'\d{1,3}'`)。正则写错会在**服务启动时**就报错,不会等到请求时才失败。
|
||||
|
||||
匹配与清洗规则:
|
||||
|
||||
- **标签内部允许空白**:配置「姓名」也能匹配 OCR 识别出的「姓 名」「床 号」「镜 型」;
|
||||
- **同一行多个字段自动切分**:`检查号:26100830064姓名:万镭` 可同时抽出两个字段;
|
||||
- **值的结束位置**:下一个**已配置**标签 / `end_pattern` / 换行(除非 `multiline`)/ `max_length` / 文本结尾;
|
||||
- **自动清洗**:去掉零宽字符,任意空白(含换行)归一成单空格,去掉首尾空白、开头残留分隔符和结尾孤立标点(如 `;`);
|
||||
- **空值不返回**:`床号:` 后面没有内容时,该字段不会出现在结果里;
|
||||
- **同一字段取第一次出现的值**;
|
||||
- **必须带分隔符**:`姓名 万镭`(无冒号)不会被抽取。
|
||||
|
||||
### 关于汉字字符类 `[一-鿿]`
|
||||
|
||||
写中文 pattern 时常用「字面范围」写法,比如 `[一-龥]`、`[一-鿿]`,含义是「某个 Unicode 范围内任意一个汉字」:
|
||||
|
||||
| 写法 | 含义 |
|
||||
| --- | --- |
|
||||
| `一` | 汉字「一」,即范围内的第一个字 |
|
||||
| `-` | 表示范围 |
|
||||
| `龥` | U+9FA5,旧版 Unicode 里 CJK 基本区的最后一个字 |
|
||||
| `鿿` | U+9FFF,CJK 基本区(U+4E00–U+9FFF)真正的末位 |
|
||||
|
||||
⚠️ `[一-龥]`(到 U+9FA5)会漏掉两处,实测:
|
||||
|
||||
```text
|
||||
'二〇二六' → 只匹配到 '二' (〇 是 U+3007,不在基本区)
|
||||
'龦' → 不匹配 (U+9FA6,Unicode 4.1 之后新增)
|
||||
```
|
||||
|
||||
推荐写法(覆盖整个基本区并补上「〇」):
|
||||
|
||||
```yaml
|
||||
pattern: '[一-鿿〇]{1,12}'
|
||||
# 等价写法(用码位转义表示,结果相同):
|
||||
pattern: '[\u4e00-\u9fff〇]{1,12}'
|
||||
```
|
||||
|
||||
写法说明:
|
||||
|
||||
- 单引号里的 `一` 不需要额外转义,Python 正则能直接识别;用码位写法更明确,不依赖「鿿」这种生僻字;
|
||||
- `〇`(U+3007)单独加上,用于「二〇二六」这类写法;
|
||||
- 少数民族姓名的间隔号 `·`(U+00B7)也要单独加,如 `[一-鿿〇·]`;
|
||||
- **CJK 扩展区(生僻姓氏,如 U+20000 以上)不在任何基本区范围内**。需要完整覆盖汉字时,Python 内置 `re` 做不到,只能用第三方 `regex` 模块的 `\p{Han}`;本项目未引入该依赖。
|
||||
|
||||
### row:按行锁定字段位置
|
||||
|
||||
`row: N` 让字段只从**第 N 行**取值。行是由识别结果的**坐标**算出来的(bbox 纵向重叠的文本框归为同一行),所以「行」是真实的视觉行。
|
||||
|
||||
典型用途:报告的表头字段集中在固定几行,而正文或界面噪声里也会出现同样的字样,此时用 `row` 可以把它们排除掉。
|
||||
|
||||
一张真实报告截图的实测行结构(23 行):
|
||||
|
||||
```text
|
||||
第 9 行 年龄:43岁性别:女检查号:26100830064姓名:万镭
|
||||
第 10 行 镜型:CF-HQ290I床号:科室:消化内科门诊门诊号:701785075
|
||||
第 11 行 临床诊断:大便习惯改变;
|
||||
```
|
||||
|
||||
注意这份材料里第 3 行还出现了 `报告-万镭`——正文同样含患者姓名。行为对比:
|
||||
|
||||
```text
|
||||
不限定行 -> 姓名 = 张三 (取第一次出现,可能是页眉副本或正文)
|
||||
row: 9 -> 姓名 = 万镭 (精确锁定目标行)
|
||||
```
|
||||
|
||||
注意事项:
|
||||
|
||||
- 行号随版面变化,**换模板就要重新确认行号**;锁定后如果没取到值会返回空(`include_empty: true` 时返回空串),不会静默取错;
|
||||
- 没有行信息时(例如直接调用库函数不传 `rows`),`row` 限定的字段取不到值,**不会退回全文**,避免误取;
|
||||
- `row` 与 `label_linebreak` 不要同时用:跨行标签在单行文本里不存在,会取不到值。
|
||||
|
||||
### 其他开关
|
||||
|
||||
- **`separator_optional: true`**:标签后不带冒号也抽。代价是误命中率明显上升,只在冒号经常被 OCR 漏识时才打开。
|
||||
- **`label_linebreak: true`**:允许标签内部跨行(`姓` + `名:`)。最多允许一个换行,避免把相隔很远的字拼成标签。
|
||||
- **`extract_include_empty: true`**(全局):未命中的字段返回空串而非不出现,便于调用方用固定 schema 消费。
|
||||
|
||||
```yaml
|
||||
extract_include_empty: true
|
||||
# -> {"姓名": "万镭", "床号": "", "镜型": "", ...}
|
||||
```
|
||||
|
||||
### 防止取错:机制与建议
|
||||
|
||||
已内置的防护:
|
||||
|
||||
| 风险 | 机制 |
|
||||
| --- | --- |
|
||||
| 值粘连到下一个字段 | 值在**下一个已配置标签**前截断;再用 `pattern` 限定形状 |
|
||||
| 值吞掉后面的正文 | `end_pattern` 终止符、`max_length` 上限、默认换行即结束 |
|
||||
| 短标签嵌在长标签里(`号` vs `检查号`) | 匹配器**非重叠扫描 + 长标签优先**,同时配置时不会误命中 |
|
||||
| 值里出现别的标签字样(`姓名不详`) | 标签**必须紧跟分隔符**才算标签,故不会截断值 |
|
||||
| 低置信度噪声被抽成字段 | 抽取基于 `min_confidence` 过滤后的文本,调高该参数即可 |
|
||||
| 同名标签重复出现取错 | 用 `occurrence: last` 明确取最后一个 |
|
||||
| 配置冲突(标签被两个字段共用、字段名重复) | **服务启动时直接报错**,不会带病运行 |
|
||||
| 正则写错 | 启动时校验并报错 |
|
||||
| 不知道该值从哪来 | `log_level: DEBUG` 会输出每个字段的命中明细与未命中列表 |
|
||||
|
||||
使用建议:
|
||||
|
||||
1. **能用 `pattern` 就用**——它是性价比最高的手段,既约束形状又防止粘连:
|
||||
```yaml
|
||||
pattern: '[A-Za-z0-9-]{1,24}' # 编号类
|
||||
pattern: '\d{1,3}\s*岁' # 带单位的数值
|
||||
pattern: '[一-鿿〇·]{1,12}' # 中文姓名
|
||||
```
|
||||
2. **把相邻字段都配上**,边界才生效(`姓名检查号` 这类粘连靠标签互相切分)。
|
||||
3. **不要用过于宽泛的标签**,例如只配一个「号」,会把「检查号」「门诊号」都当成它。
|
||||
4. **`compact: true` 要慎用**:它会删掉值里所有空格,地址类字段会被压成一串。
|
||||
5. **`max_length` 只截断不报错**:需要「超长即视为未命中」时,用 `pattern` 的限定量词(如 `[一-鿿]{1,12}`)。
|
||||
6. 上线前用**自己的真实样本**跑一遍,尤其注意同名标签重复、正副本这类场景。
|
||||
|
||||
⚠️ **边界只对「已配置」的标签生效**。例如只配置了 `姓名` 时,`姓名:万镭性别:女` 中的 `性别:` 不是边界,值可能被吞成 `万镭性别`。两种解决办法:
|
||||
|
||||
1. 把相邻字段也配置上(推荐,`性别` 本身通常也要抽);
|
||||
2. 用 `pattern` 限定形状,例如 `[一-龥·]{1,2}`、`\d+`、`[A-Za-z0-9-]+` —— 这是最稳的做法。
|
||||
|
||||
对一张真实报告截图的实测结果:
|
||||
|
||||
```json
|
||||
"fields": {
|
||||
"检查号": "26100830064",
|
||||
"姓名": "万镭",
|
||||
"性别": "女",
|
||||
"年龄": "43岁",
|
||||
"门诊号": "701785075",
|
||||
"科室": "消化内科门诊",
|
||||
"镜型": "CF-HQ290I",
|
||||
"临床诊断": "大便习惯改变"
|
||||
}
|
||||
```
|
||||
|
||||
抽取发生在查询时(`/api/v1/i2t`),基于 `min_confidence` 过滤后的文本,因此改预设或调 `min_confidence` 不需要重新识别。`extract_fields` 留空(或删除该配置)即关闭此功能。
|
||||
|
||||
## IDEA HTTP Client 测试
|
||||
|
||||
已提供:
|
||||
@@ -593,7 +917,8 @@ log_level: INFO
|
||||
| `text_det_unclip_ratio` | `1.5` | 检测框扩张比例 |
|
||||
| `text_rec_score_thresh` | `0.0` | 识别结果阈值 |
|
||||
| `text_recognition_batch_size` | `1` | 识别批量大小;内存足够时可提高 |
|
||||
| `cpu_threads` | `10` | CPU 推理线程数(Paddle `cpu_math_library_num_threads`) |
|
||||
| `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 |
|
||||
| `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>。
|
||||
|
||||
Reference in New Issue
Block a user