简介面向希望基于 PaddleOCR 2.6 快速上手文本检测与识别训练的开发者和初学者提供从零开始的实操教程教程以 Word 文档形式整理包内共 1 个 docx 文件整体大小约 78KB。内容按环境配置、依赖安装、PPOCRLabel 标签标注、数据集划分、YML 配置、模型训练与验证、推理模型导出等阶段循序渐进命令和步骤清晰基本覆盖了自定义 OCR 模型训练的完整链路。除了基础流程文档还重点解释了训练与验证目录的路径设置、batchsize 限制、按验证精度自动保存最优权重等细节并记录了导出推理模型时 pretrained_model 参数不生效的常见问题给出了将训练权重直接写入 YML 配置文件的解决方法能有效减少踩坑。已有 1304 人浏览学习适合正在入门 OCR、准备基于 PaddleOCR 训练自定义检测或识别模型的读者参考。1. 为什么 PaddleOCR 2.6 版本仍是落地首选PaddleOCR 2.6 是飞桨团队在 2022 年发布的稳定分支虽然现在社区早就在聊 3.x但真做生产项目时很多老牌图像处理系统和数据中台场景里2.6 版本依旧是上线率最高的那个。原因不复杂这个版本把检测、方向分类、识别三件套拆得清清楚楚接口签名不再频繁变动对 PyTorch 模型转换、ONNX 导出、PyInstaller 打包都有成熟的解法。对于 5 年以上的工程师来说选 2.6 不是为了追新而是为了省心。下面直接从零搭建环境、跑通第一行识别代码再逐步把模型参数、乱码问题和打包部署的坑填平。2. 从 Python 版本到依赖PaddleOCR 2.6 环境搭建的完整路径2.1 conda 环境与 Python 版本选择PaddleOCR 2.6 官方要求 Python 3.6 到 3.10 都能用但实际测试下来Python 3.8 和 3.9 是最稳的组合因为后续的 onnxruntime、pyinstaller、opencv-python 在这两个版本上的预编译轮子最齐全。我一般会用一个独立的 conda 环境来隔离依赖避免和项目里已有的机器学习库发生版本冲突。conda create -n paddle python3.9 -y conda activate paddle创建环境的命令不需要加额外参数python3.9 会直接拉取当前 conda 源里可用的 3.9 最新补丁版本。激活后建议先升级 pip 和 setuptools因为过旧的 setuptools 会导致部分依赖的 wheel 在安装时被判定为不支持当前平台。python -m pip install --upgrade pip setuptools wheel然后安装 PaddlePaddle 基础框架。这里要特别注意 CPU 和 GPU 版本的选择如果你的机器只有 CPU就安装 CPU 版如果有 N 卡且 CUDA 版本是 11.2 或更高就装 GPU 版。下面是两种常见方式。# CPU 版本 pip install paddlepaddle2.6.1 -i https://mirror.baidu.com/pypi/simple # GPU 版本CUDA 11.7 的示例按自己环境调整 pip install paddlepaddle-gpu2.6.1.post117 -i https://mirror.baidu.com/pypi/simple使用百度镜像源能明显加快下载速度但要注意镜像源只对 pip 生效conda 创建环境时不会使用这个源。安装完成后可以用下面的 Python 代码验证框架是否正常。import paddle print(paddle.__version__) print(paddle.is_compiled_with_cuda())如果is_compiled_with_cuda()返回 False说明装的是 CPU 版或者 GPU 版和当前 CUDA 驱动不匹配。这时不要急着换版本先检查nvidia-smi驱动支持的 CUDA 版本再决定是否重新安装。2.2 安装 PaddleOCR 2.6 及配套依赖框架就绪后接着安装 PaddleOCR 本体。这里建议直接指定版本号避免 pip 自动拉到 3.x 导致接口不一致。pip install paddleocr2.6.1 -i https://mirror.baidu.com/pypi/simple安装过程中pip 会自动拉取 opencv-python、shapely、pyclipper、numpy 等依赖。需要注意PaddleOCR 2.6 对 numpy 的版本要求是 1.21 到 1.24 之间如果后面安装 pyinstaller 时把 numpy 升级到 1.26就会出现数据格式错误。最稳妥的做法是装完 PaddleOCR 后再执行一次紧固定位。pip install numpy1.24.4 -i https://mirror.baidu.com/pypi/simple另外如果你需要在服务端部署或者做并发请求建议同时安装 shapely 的二进制版本而不是源码编译版。源码版在个别 Linux 环境下会导致多边形计算报错具体表现是文字框坐标出现负数或不闭合。pip install shapely2.0.1安装完成后建议在命令行里跑一次paddleocr -h确认paddleocr命令能正常调用再进入下一节的代码实战。如果报缺失库先看错误信息里是ModuleNotFoundError还是编译错误前者一般是缺 pip 包装后者通常是 C 库冲突。3. 一行代码跑通检测、方向分类与识别3.1 最小识别脚本PaddleOCR 2.6 的训练推理接口PaddleOCR 2.6 提供了一体化的 Python 调用方式不需要手动加载三个模型。下面的代码就是最常用的最小实现它会自动下载默认的中文轻量模型到~/.paddleocr/目录。from paddleocr import PaddleOCR ocr PaddleOCR(use_angle_clsTrue, langch, show_logFalse) result ocr.ocr(demo.jpg, clsTrue) for item in result: for line in item: print(line)PaddleOCR类的构造函数里use_angle_clsTrue表示启用方向分类器。这个参数在手机拍摄、扫描件角度偏移的场景下必须打开否则识别文本时会把倒置或旋转 90 度的文字直接判读为乱码。langch指定中文模型加载时会自动下载检测、方向分类、识别三个模型。show_logFalse可以关闭推理过程中的调试日志避免在批处理时刷屏。ocr.ocr(demo.jpg, clsTrue)的第一个参数支持图片路径、numpy 数组和 bytes 数据。返回格式是两层列表外层对应每张图内层对应每个文字框。每一行的数据结构是[框坐标, (识别文本, 置信度)]所以上面的打印结果会是一个四元组加一个元组。3.2 带坐标输出的解析方法实际业务中往往需要把文字框坐标和识别内容分开处理比如做答题卡识别、票据信息抽取。下面的代码演示如何把结果转成字典结构。from paddleocr import PaddleOCR ocr PaddleOCR(use_angle_clsTrue, langch, show_logFalse) result ocr.ocr(invoice.jpg, clsTrue) parsed [] if result and result[0]: for box, (text, confidence) in result[0]: parsed.append({ box: box, text: text, confidence: float(confidence) }) for item in parsed: print(item)这里需要注意result[0]在无文字区域时会返回None所以要先判断再遍历否则会抛TypeError。坐标box是四个点组成的列表每个点又是[x, y]两个值。它遵循的是顺时针顺序可以和 OpenCV 的polylines函数直接配合画框。3.3 图片预处理对识别效果的影响2.6 版本的模型虽然效果好但也不是万能。现场操作时给模型喂一张亮度过高、文字阴影明显的图片结果往往还不如先做一次灰度化和二值化。我一般会在调用 OCR 前先用 OpenCV 做一次自适应阈值处理但要注意不能把二值化后的图片直接交给识别器因为训练数据里包含彩图和灰度图二值化后的纹理信息丢失太多反而降低精度。import cv2 from paddleocr import PaddleOCR def preprocess(image_path, output_path): img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) thresh cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 10 ) cv2.imwrite(output_path, thresh) return output_path ocr PaddleOCR(use_angle_clsTrue, langch, show_logFalse) result ocr.ocr(preprocess(dark_text.jpg, temp.jpg), clsTrue)这里ADAPTIVE_THRESH_GAUSSIAN_C是用邻域高斯加权和减去常数 C 作为阈值31是邻域大小必须是奇数。对于文字阴影严重的场景这个值比全局二值化稳定得多。当然如果原图本身是清晰的白底黑字就不要做任何预处理直接走原图反而更快。4. 参数调优与模型替换PaddleOCR 2.6 的高阶控制4.1 检测、分类、识别三个模块的独立开关PaddleOCR 2.6 的一个核心设计是检测、方向分类、识别三者可以分开控制。默认的构造参数里detTrue, clsTrue, recTrue表示三个模型全部启用。如果做纯的固定版式截图识别可以选择关闭方向分类器减少一次前向推理时间。ocr_fast PaddleOCR( use_angle_clsFalse, langch, detTrue, recTrue, show_logFalse )关闭方向分类器后推理速度能提升约 15% 到 20%但代价是输入的图片必须保证文字方向正确。对于自动化脚本抓取的网页截图或合同 PDF 转图这个优化是安全的对于手机随手拍的发票就不要省这一步。还可以单独关闭检测模块直接给识别器喂一张已经裁剪好的单行文字图片。这种方式适合处理只有一行文字的证件号码、银行卡号等场景。ocr_rec_only PaddleOCR(use_angle_clsFalse, langch, detFalse, recTrue, show_logFalse) result ocr_rec_only.ocr(single_line.png, clsFalse)注意当detFalse时ocr.ocr返回的结果格式也会变化不再有框坐标而是直接返回识别文本和置信度。这个改版容易让人困惑官方文档里没有在显眼位置说明。如果你在调用时发现解析结果维度不对先检查是不是关闭了检测模块。4.2 常用推理参数表下面这张表总结了 2.6 版本里最容易影响结果的几个参数对应构造器和ocr.ocr方法中的字段。参数名所属对象默认值作用推荐调整方式use_angle_cls构造器True是否启用方向分类图片方向固定时设 False 提速det_limit_side_len构造器960检测阶段最长边尺寸大图长边超过 960 时按比例缩放det_db_thresh构造器0.3检测二值化阈值低阈值能找更多弱文字框det_db_box_thresh构造器0.6文本框过滤阈值高阈值能过滤噪声框rec_batch_num构造器6识别批大小显存不足时调小到 1 或 2drop_scoreocr.ocr0.5置信度过滤票据场景可提高到 0.7clsocr.ocr按构造器本次调用是否分类特殊情况单独覆盖构造器设置以det_limit_side_len为例这个参数控制在检测阶段把输入图片缩放到的最大边长。如果一张扫描件是 4000 像素宽模型会先压缩到 960 再检测但识别阶段会按原始坐标映射所以最终的框坐标依然是原始尺寸。需要提高小字识别率时可以把值调到 1280但显存占用会明显增加。4.3 替换官方模型为自定义模型企业项目里很少直接使用默认的轻量模型因为场景太特殊比如识别印章里的篆体字、工厂铭牌上的点阵数字。PaddleOCR 2.6 支持直接替换三个模块的模型路径不需要改代码。ocr_custom PaddleOCR( det_model_dir./models/det_infer/, rec_model_dir./models/rec_infer/, cls_model_dir./models/cls_infer/, use_angle_clsTrue, langch, show_logFalse )这里的模型目录必须是 PaddleOCR 的推理格式目录包含inference.pdmodel和inference.pdiparams两个文件。如果你的模型是从训练好的权重通过paddleocr/tools/export_model.py导出的直接指向导出目录即可。如果只有model.pdparams训练权重需要先走一遍导出流程否则会报参数形状不匹配的错误。替换模型时最容易碰到的问题是字典文件不匹配。默认中文模型的字典是 6623 个字符如果你的识别模型使用了自定义字典需要把rec_char_dict_path参数也指向对应字典文件。不然识别结果显示的都是“口”字或空字符和文字乱码表现相似。5. 乱码、内存爆炸与 PyInstaller 打包PaddleOCR 2.6 的三大拦路虎5.1 识别结果乱码的真正原因很多新手把 PaddleOCR 识别出来的“口口口”称为乱码但其实多数时候不是模型错而是字体或编码问题。首先排查图像本身有没有乱码这是最常见的原因。用 OpenCV 读入图片时如果原图本身是带颜色的花体字OCR 会输出不可读字符。这时优先做灰度化和降噪而不是调模型。另一个高频原因是lang参数和模型文件不匹配。如果你指定langen却装了中文模型识别结果就是一堆无意义的英文组合。当你在同一台机器上切换过多个语言模型后最好用ocr PaddleOCR(langch)重新初始化而不是复用之前的实例因为模型缓存的加载逻辑在某些版本下有 bug。最后要确认控制台的输出环境是否支持中文。PyCharm 的默认编码可能是GBK而标准输出中文本就是 UTF-8这会导致打印时显示乱码但实际识别是正常的。验证方法很简单把结果写入文件后用文本编辑器打开如果文件里是正确的那就是控制台编码问题不是 OCR 问题。import json with open(result.json, w, encodingutf-8) as f: json.dump(parsed, f, ensure_asciiFalse, indent2)5.2 PyInstaller 打包时常见的依赖遗漏pyinstaller打包 PaddleOCR 程序是个老问题核心在于隐式导入的模块不会被自动收集。最常见的报错是缺少paddleocr包内的模型配置文件和数字库或者缺少paddle的第三方 C 扩展。我建议的打包命令是把 PaddleOCR 相关的包全部用--collect-all收进来同时排除不必要的大文件以减少体积。pyinstaller --onefile \ --name ocr_tool \ --collect-all paddleocr \ --collect-all paddle \ --collect-all shapely \ --collect-all pyclipper \ --hidden-importimghdr \ --exclude-module matplotlib \ main.py这里的--collect-all paddleocr会把包内所有.json、.txt、.pdmodel配置一并打进 dist 目录避免运行时找不到默认模型配置。shapely和pyclipper这两个库在 Linux 下经常链接动态库--collect-all能自动带上.so文件。打包完成后需要在没有安装 Python 的干净机器上测试因为很多依赖只在开发环境里存在。如果你的程序在打包后启动就闪退先用终端在 dist 目录手动运行./ocr_tool然后看最后的 Traceback。90% 的错误指向ModuleNotFoundError: No module named xxx这时候把对应模块加到--hidden-import后重新打包即可。5.3 内存占用过高与显存释放2.6 版本的检测模型在 CPU 上运行会占用 1.5GB 到 2GB 内存这还不包括图片加载的临时缓冲。处理大图时如果det_limit_side_len配置得过高内存峰值可能直接翻倍。更危险的是GPU 版的显存并不会在ocr.ocr调用结束后自动释放多次调用后显存会逐渐涨满。遇到显存泄漏可以显式清理飞桨的内存池。import paddle ocr PaddleOCR(use_angle_clsTrue, langch, show_logFalse) # 每处理一批后调用 result ocr.ocr(batch1.jpg, clsTrue) paddle.device.cuda.empty_cache()empty_cache()的作用是释放飞桨内部缓存但没有归还给驱动实际显存可能依然被占用但在下一批推理时不会继续累积。真正彻底释放显存的办法是重启进程或者用子进程方式单独处理 OCR任务结束就销毁子进程。6. 用 PaddleOCR 2.6 搭一个 Web 服务并处理批量图片到了实际应用层我经常被问到如何把 OCR 放到一个 HTTP 服务里。这里有现成的手段2.6 版本的PaddleOCR实例本身不是线程安全的直接塞进 Flask 里多线程处理会导致 CPU 资源抢占和模型预测崩溃。最稳妥的方案是用multiprocessing创建独立的 OCR worker 进程主进程只做任务分发。from multiprocessing import process from paddleocr import PaddleOCR def worker(input_queue, output_queue): ocr PaddleOCR(use_angle_clsTrue, langch, show_logFalse) while True: img_path input_queue.get() if img_path is None: break result ocr.ocr(img_path, clsTrue) output_queue.put(result) if __name__ __main__: q_in Queue() q_out Queue() p Process(targetworker, args(q_in, q_out)) p.start() q_in.put(test.jpg) print(q_out.get()) q_in.put(None) p.join()这个模式可以扩展到四个进程每个进程一个PaddleOCR实例相当于四倍吞吐。实际测试中CPU 机器上 2 个进程收益最明显超过 4 个进程会开始受硬盘读取速度限制。注意不要把同一个PaddleOCR对象传给子进程因为飞桨模型不能跨进程共享。如果你只是想做离线批量识别直接在 for 循环里复用同一个PaddleOCR对象是允许的而且比反复初始化快一个数量级。ocr PaddleOCR(use_angle_clsTrue, langch, show_logFalse) image_files [a.jpg, b.jpg, c.jpg] for filename in image_files: result ocr.ocr(filename, clsTrue) print(f{filename}: {result[0] if result else no text})需要说明的是ocr.ocr在批量场景下会自动对图片做预处理但每张图片独立推理的结果并不会自动保存在内存里所以要及时写入文件避免列表过大导致内存溢出。这里推荐把文本结果和坐标一起写入 JSON方便后续对接 ERP 系统或知识检索引擎。本文还有配套的精品资源点击获取