# 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/。 # 速度优先 PP-OCRv4 Mobile # 当前默认 PP-OCRv5 Server # 新版模型 PP-OCRv6 Medium det_model_name: PP-OCRv5_server_det rec_model_name: PP-OCRv5_server_rec # 【速度档】模型仅 16MB,速度提升极大。实测: # 稀疏图(官方示例) : 70s -> 10s # 密集图(1920x1080) : 748s -> 8s,但字符数只剩约 10%(大量丢字) # 原因:PP-OCRv4_mobile_det 检测不出密集小字(1.png 只检出 46 框,v5 检出 339 框)。 # 结论:文本稀疏(票据/证件/少数字段)可用;文本密集(表格/文档/截图)不要用。 # 务必先用真实图片在 benchmark_ocr.py 中对比字符数再决定。 # 切换方式:注释上面两行,启用下面两行,然后重启服务。 #det_model_name: PP-OCRv4_mobile_det #rec_model_name: PP-OCRv4_mobile_rec # 每个线程会独立占用一份 OCR 模型内存。 ocr_workers: 1 device: cpu lang: ch # 识别速度/精度参数。 # 速度优先可将 text_det_limit_side_len 调小到 640;默认 960。text_recognition_batch_size 调整为 2 默认 1 # 检测图像最长边 text_det_limit_side_len: 512 # 检测缩放类型 text_det_limit_type: max # 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 # 识别批量大小 text_recognition_batch_size: 8 # CPU 推理线程数(Paddle 的 cpu_math_library_num_threads)。 # PaddleX 默认 10;不是单核推理,但关闭 oneDNN 后多线程加速有限。 # 建议不要超过物理核心数;调大不一定更快,请用 benchmark_ocr.py 实测。 cpu_threads: 20 # 日志级别:DEBUG / INFO / WARNING / ERROR log_level: INFO max_upload_mb: 10 max_image_pixels: 20000000