# 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)。 # 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。 # ⚠️ 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。 text_det_limit_side_len: 1024 # 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)。 # 取值为正整数,或 max。 # max = 吃满所有逻辑核心,例如 20 逻辑核机器上解析为 20(本机即为 20)。 # 注意:max 不一定最快。超线程会争抢,超过物理核心数后收益递减, # 而且会挤占同机其它服务。建议用 benchmark_ocr.py 实测后再定。 cpu_threads: 1 # 是否先做文本框检测(det 模型),再做文字识别(rec 模型)。 # true(默认)= 检测 + 识别:先找出所有文本框,再逐个识别。适合正常的多行文档/截图。 # false = 跳过检测,直接把整张图当作「一行文本」送识别模型。 # ⚠️ 只适用于图片本身就是单行文本的场景(例如你自己裁好的一行文字)。 # 识别模型会把输入统一缩放到高约 48px,多行图会被压扁到读不出内容, # 此时服务会返回空结果并打印告警。 # 关闭检测后 text_det_limit_side_len / text_det_* 等检测参数不再生效。 # 备注:检测模型不是「画框」,而是用来定位文字区域;正常 OCR 必须保留。 enable_detection: true # 是否返回每个识别文本框内部的字/词级 polygon。 # false:默认,只返回行/文本片段框,速度更快、JSON 更小。 # true :在 data.result.polygon.textN.words 中返回字/词级四点坐标,会增加耗时和响应体积。 return_word_box: false # 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 # 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