Files
ocr-server/config.yaml
T
zimoyin e32ad664f1 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>
2026-10-12 14:37:03 +08:00

171 lines
8.4 KiB
YAML
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# 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