cf7088a13d
按需求移除两个开关: - enable_detection:跳过检测直接识别,实测只对单行图有效,多行文档会返回空结果 - return_word_box:字/词级坐标,默认即关闭且开销在噪声内,无实际收益 恢复正常的两段式链路:文本检测 → 文本识别。 Co-Authored-By: Claude Code <noreply@anthropic.com>
171 lines
8.4 KiB
YAML
171 lines
8.4 KiB
YAML
# 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
|