# OCR Server 配置文件。修改后重启服务生效。 host: 127.0.0.1 port: 8000 # 支持绝对路径或相对项目根目录的路径。 upload_dir: data/uploads model_dir: models # 模型缺失时自动下载到 model_dir/official_models/。 # 检测与识别可以独立指定,允许跨代际混用(本项目实测有效)。 # # 【当前推荐组合】v5 检测 + 移动端识别:保住召回,识别快约 8 倍。 # 1.png(1920x1080) 实测:729s -> 91s,框数同为 339,字符数 1747 -> 1746。 # 文本级对比:移动端识别在两处反而更准(date->DATE、前1O分钟->前10分钟)。 det_model_name: PP-OCRv5_server_det rec_model_name: PP-OCRv4_mobile_rec # 其他可选组合: # 精度优先(最慢):det=PP-OCRv5_server_det + rec=PP-OCRv5_server_rec # 速度优先(会丢字):det=PP-OCRv4_mobile_det + rec=PP-OCRv4_mobile_rec # ⚠️ PP-OCRv4_mobile_det 检测不出密集小字:1.png 只检出 46 框(v5 为 339 框), # 字符数只剩约 10%。仅适合文本稀疏的图片(票据/证件/少数字段)。 # ── 交付包预置的模型 ───────────────────────────────────────── # scripts/download_models.py 会把下面八套(v4/v5 × 服务端/移动端 × 检测/识别) # 全部下载到 model_dir/official_models/,共约 398MB。 # 交付后断网也能直接改模型名切换,不必重新下载。 # # 检测 识别 # PP-OCRv5_server_det 85MB PP-OCRv5_server_rec 82MB # PP-OCRv5_mobile_det 5MB PP-OCRv5_mobile_rec 17MB # PP-OCRv4_server_det 109MB PP-OCRv4_server_rec 87MB # PP-OCRv4_mobile_det 5MB PP-OCRv4_mobile_rec 11MB # # 怎么选(按客户机器分档): # 低配 CPU(4 核以下/内存吃紧):PP-OCRv5_mobile_det + PP-OCRv4_mobile_rec # 常规 CPU(本机默认) :PP-OCRv5_server_det + PP-OCRv4_mobile_rec # 有 GPU :PP-OCRv5_server_det + PP-OCRv5_server_rec + use_tensorrt # 要最高精度、不在乎速度 :PP-OCRv5_server_det + PP-OCRv5_server_rec # # ⚠️ PP-OCRv4_mobile_det 在密集文本上会大面积漏检:1.png 只检出 46 框(v5 为 339 框), # 字符数只剩约 10%。预置它是为了完整性,别用在表格/文档类图片上。 # ⚠️ 换组合前先用真实图片对比「字符数」,不要只看速度(见 README)。 # 每个线程会独立占用一份 OCR 模型内存(实测每多一个 worker 约 +105MB)。 # 识别推理本身接近单线程,所以并发上传时加大 worker 数可以得到接近线性的吞吐提升。 ocr_workers: 1 # ── 推理设备 ────────────────────────────────────────────────── # 取值:cpu / gpu / gpu:0 / auto / npu 等,具体可用性取决于 PaddlePaddle 编译版本。 # # auto = 启动时探测有没有可用的 CUDA 设备,有就用 GPU、没有就用 CPU, # 日志里会明确打出实际选了什么(INFO 级)。适合同一份配置在不同客户机 # 之间搬运:不用为了换机器改这一行。GPU 版分发包默认就是 auto。 # cpu = 固定用 CPU,永远不碰 GPU。 # gpu = 固定用 GPU(gpu:1 指定第 2 块卡)。如果这台机器不保证有卡,别用它。 # # ⚠️ 光把这里改成 gpu 是启不了 GPU 的。PyPI 上的 paddlepaddle 是纯 CPU 版, # 必须安装与本机 CUDA 匹配的 paddlepaddle-gpu(版本同样要固定 3.2.x, # 原因见文件末尾 enable_mkldnn 的说明)。 # 详见 README「CPU / GPU 切换」。 # # 兜底行为:配置了 gpu 但 GPU 不可用时,启动会打印中文警告并自动回落 CPU, # 不会让服务起不来(装的是纯 CPU 版,或装了 GPU 版但机器没有可用 N 卡/驱动, # 两种情况都能兜住)。上线前请确认日志里「加载 OCR 引擎」那一行打印的 # device 是不是你期望的。 # # 交付时 CPU / GPU 是两个产物(原因和打包命令见 README「CPU / GPU 切换」): # CPU 包 -> dist\ ,本项为 cpu # GPU 包 -> dist-gpu\ ,打包脚本已自动把本项写成 gpu device: auto # 是否启用 TensorRT(只在 device=gpu 时生效;device=cpu 时会打印警告并忽略)。 # 开启后可显著加速,但首次推理会花时间做引擎构建/调优,且换机器要重建。 use_tensorrt: false # 推理精度:fp32 / fp16。fp16 只在 GPU(尤其 TensorRT)上生效,CPU 下无影响。 # fp16 更快、显存占用更低,但精度可能略降,上线前请用真实图片核对字符数。 precision: fp32 # 是否启用 CINN 编译器(面向国产加速卡等场景,普通 CPU/GPU 保持 false 即可)。 enable_cinn: false lang: ch # 识别速度/精度参数。 # ⚠️ 这个参数对密集图片极其敏感,不要随意调小。1.png(1920x1080) 实测: # side=640 -> 检出 339 框 / 1746 字符 # side=512 -> 检出 33 框 / 177 字符 (只剩 10%) # side=320 -> 检出 0 框 / 0 字符 (完全失效) # 原因:分辨率下采样后小字高度不足,检测模型看不见。这是断崖式失效,不是平滑降精度。 # 结论:大图保持 640 或更高;480/512 只适合小尺寸、大字号的图片。 # # 往上调则是拿速度换召回(1.png 实测,v5 server det + v4 mobile rec): # side=1024 -> 检 428 框 / 2240 字符,约 19s ← 当前值 # side= 768 -> 检 405 框 / 2191 字符,约 16s # side= 640 -> 检 339 框 / 1746 字符,约 11s (字符数少 22%) # 也就是说 1024 比 640 多召回约 28% 的字符,代价是慢 8 秒左右。 # 低配客户机可以降到 768 折中;只要速度就 640,但要接受漏字。 text_det_limit_side_len: 1024 # 检测缩放类型 text_det_limit_type: max # 固定检测输入尺寸,形如 [3, 960, 960]。null = 用上面的 limit_side_len 动态缩放。 # 一般不用动;只有在需要可复现的固定算力占用时才设。 text_det_input_shape: null # 检测阈值 text_det_thresh: 0.3 text_det_box_thresh: 0.6 text_det_unclip_ratio: 1.5 # 识别置信度阈值 text_rec_score_thresh: 0.0 # 固定识别输入尺寸,形如 [3, 48, 320]。null = 按文本框宽高比动态填充(推荐)。 text_rec_input_shape: null # 识别批量大小。框越多收益越大,是性价比最高的旋钮。 # 1.png(1920x1080) 实测: # side=1024:batch=8 -> 23.87s / 2240 字符,batch=32 -> 19.03s / 2241 字符 # side= 640:batch=8 -> 19.87s,batch=32 -> 11.22s(框数同为 339) # 结论:调到 32 就能拿到大部分收益;再往上收益饱和(48 反而略慢,属噪声)。 # # ⚠️ 批次大小会轻微影响识别结果(不是逐字节一致)。1.png 上 2240 -> 2241 字符, # 官方样例图上 253 -> 250,差异只出现在英文分词空格和个别低置信字符上。 # 框数(segments)完全一致。要切换 batch 请先核对真实图片的字符数。 # 批量越大峰值内存越高,低配机器(内存 < 4GB)建议用 16。 text_recognition_batch_size: 32 # CPU 推理线程数(Paddle 的 cpu_math_library_num_threads)。 # 取值为正整数,或 max(吃满所有逻辑核心,20 逻辑核机器上解析为 20)。 # # 实测结论:开启 oneDNN 之后这个参数几乎不影响耗时。官方样例图(896x528)实测: # 1 -> 7.25s 4 -> 6.82s 8 -> 7.22s 14 -> 7.29s 20 -> 7.25s # 差异都在测量噪声内。也就是说识别推理已经跑在多线程上,再加线程不再获益。 # 保持 1 即可,省下来的核留给 ocr_workers 或同机其它服务。 # (README 里「建议调到 max」是 oneDNN 之前的结论,已过期。) cpu_threads: 1 # 是否启用 oneDNN(MKLDNN)CPU 加速。 # true = 启用,CPU 推理明显更快(1.png 实测 148.12s -> 30.95s,快 4.8 倍), # 且输出逐字节一致(md5 相同),不影响精度。 # false = 关闭。 # ⚠️ 依赖 PaddlePaddle 版本:3.3.x 的 PIR + oneDNN 组合有缺陷,启用后推理会抛 # NotImplementedError(ConvertPirAttribute2RuntimeAttribute not support)。 # 本项目已在 pyproject.toml 固定 paddlepaddle>=3.2,<3.3,请勿手动升到 3.3.x。 # ⚠️ 注意:oneDNN 本身不影响识别结果,但 PaddlePaddle 版本差异会影响检测输出 # (同图同参数:3.3.1 检出 339 框,3.2.2 检出 452 框),上线前请用真实数据核对。 enable_mkldnn: true # oneDNN 算子缓存容量,只在 enable_mkldnn: true 时生效,一般不用动。 mkldnn_cache_capacity: 10 # 日志级别:DEBUG / INFO / WARNING / ERROR log_level: INFO # ── 字段提取预设 ────────────────────────────────────────────── # 识别完成后按键值抽取,结果放在响应的 data.fields 里。 # # 匹配规则:标签 + 分隔符 + 值。值的结束位置 = 下一个标签 / 换行 / 文本结尾。 # · 标签内部可以有空格:配置「姓名」也能匹配 OCR 识别出的「姓 名」「床 号」 # · 同一行多个字段会各自切分: # 「检查号:26100830064姓名:万镭」→ 同时抽出 检查号 与 姓名 # · 自动清洗:去掉零宽字符、首尾空白、残留标点(如结尾的「;」) # # 字段说明: # name : 输出用的字段名,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,例如「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;不匹配则不算命中。 # 边界「含」匹配内容,例如 '\d+岁' 会得到「43岁」。 # 这是防止值粘连到下一个字段最有效的手段。 # end_pattern : 结束正则。值在此处截断,边界「不含」匹配内容(终止符语义), # 例如 '[;;,,]' 会丢掉分号本身。 # 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值,first(默认) 或 last。 # 表单正副本、页眉页脚重复打印同一字段时用 last。 # separator_optional : true 时标签后不带冒号也能抽取(默认 false)。 # ⚠️ 明显提高误命中率,只在冒号经常被 OCR 漏识时才打开。 # label_linebreak : true 时允许标签内部跨行,例如 OCR 把「姓名」拆成 # 「姓」+「名:」。默认 false。 # 行的划分来自坐标(bbox 纵向重叠归为同一行),所以跨的是真实换行。 # row : 限定该字段只从第 N 行取值(1 起算,按阅读顺序)。 # -1(默认)= 不限定。用于表头/表格这类位置固定的场景, # 可以避免正文里出现的同名标签被误取。 # # 启动即校验(配置写错会直接报错,不会拖到请求时): # · 正则语法;max_length 必须 >= 1 # · occurrence 只能 first/last;row 必须 -1 或 >= 1 # · 字段名不能重复;同一标签不能被两个字段共用(否则会取错值) # # 正则写在单引号里即可,反斜杠不需要转义,例如 '\d{1,3}'。 extract_fields: # 只取中文姓名(含少数民族姓名的间隔号),最多 12 字。 # 遇到「万镭性别:女」这种粘连会停在「万镭」,不会把「性别:女」吞进来。 # # 字符类说明:[汉字的 Unicode 范围] + 额外字符 # 一-鿿 = CJK 基本区全部汉字 # 〇 = U+3007(「二〇二六」这种写法会用到,不在基本区) # · = U+00B7 间隔号,用于「阿依古丽·买买提」 # 注意:CJK 扩展区(生僻姓氏,如 U+20000 以上)不在范围内。 - name: 姓名 aliases: [患者姓名, 病人姓名] pattern: '[一-鿿〇·]{1,12}' max_length: 12 # 只取字母数字与连字符 - name: 检查号 aliases: [检查编号] pattern: '[A-Za-z0-9-]{1,24}' max_length: 24 - name: 性别 pattern: '[男女]' max_length: 2 # pattern 边界是含的,所以结果会带「岁」 - name: 年龄 pattern: '\d{1,3}\s*岁' compact: true max_length: 6 - name: 门诊号 pattern: '[A-Za-z0-9-]{1,24}' max_length: 24 - name: 床号 pattern: '[A-Za-z0-9-]{1,12}' max_length: 12 - name: 科室 pattern: '[一-鿿〇]{1,20}' max_length: 20 - name: 镜型 pattern: '[A-Za-z0-9-]{1,24}' max_length: 24 # 结束正则是终止符语义:到分号/逗号/句号为止,且不返回该标点 - name: 临床诊断 end_pattern: '[;;,,。]' max_length: 50 # ── row 用法示例(默认不使用)──────────────────────────────── # row 让字段只从第 N 行取值,行号由坐标算出(bbox 纵向重叠归为一行)。 # 某张真实报告截图实测 23 行,其中: # 第 9 行 年龄 / 性别 / 检查号 / 姓名 # 第 10 行 镜型 / 床号 / 科室 / 门诊号 # 第 11 行 临床诊断 # 该图的第 3 行还出现了「报告-万镭」,正文里同样有患者姓名。 # 如果发现字段被页眉副本或正文误取,可以按行锁定,例如: # - name: 姓名 # pattern: '[一-鿿〇·]{1,12}' # row: 9 # 注意:换版面后行号会变,锁定前请先确认;锁定后取不到值会返回空,不会静默取错。 # 标签与值之间的分隔符,写多个则都会匹配 extract_separators: [":", ":"] # 未命中的字段是否返回空串(默认 false,即直接不出现该键)。 # 设为 true 后返回结构固定,便于调用方按固定 schema 消费。 extract_include_empty: false max_upload_mb: 10 max_image_pixels: 20000000