商榷识别为商榨

[DHclly]

🔎 Search before asking

• I have searched the PaddleOCR Docs and found no similar bug report.
• I have searched the PaddleOCR Issues and found no similar bug report.
• I have searched the PaddleOCR Discussions and found no similar bug report.

🐛 Bug (问题描述)

ocr的文字不对：

上图ocr后的结果

这个环境也可以复现：
飞桨AI Studio星河社区-人工智能学习与实训社区(https://aistudio.baidu.com/community/app/91660/webUI)

🏃‍♂️ Environment (运行环境)

paddle version: 2.6.2

🌰 Minimal Reproducible Example (最小可复现问题的Demo)

from paddleocr import PaddleOCR, draw_ocr

# Paddleocr supports Chinese, English, French, German, Korean and Japanese
# You can set the parameter `lang` as `ch`, `en`, `french`, `german`, `korean`, `japan`
# to switch the language model in order
ocr = PaddleOCR(use_angle_cls=True, lang='en') # need to run only once to download and load model into memory
img_path = 'PaddleOCR/doc/imgs_en/img_12.jpg'
result = ocr.ocr(img_path, cls=True)
for idx in range(len(result)):
    res = result[idx]
    for line in res:
        print(line)

# draw result
from PIL import Image
result = result[0]
image = Image.open(img_path).convert('RGB')
boxes = [line[0] for line in result]
txts = [line[1][0] for line in result]
scores = [line[1][1] for line in result]
im_show = draw_ocr(image, boxes, txts, scores, font_path='/path/to/PaddleOCR/doc/fonts/simfang.ttf')
im_show = Image.fromarray(im_show)
im_show.save('result.jpg')

[jingsongliujing]

用的哪个版本？是paddleocrv4吗

[DHclly]

用的哪个版本？是paddleocrv4吗

是的，版本信息：

paddleocr==2.10.0
paddlepaddle-gpu==2.6.2.post120

我用的官方默认示例进行测试的，这是启动时候的调试信息

[2025/04/16 16:13:50] ppocr DEBUG: Namespace(alpha=1.0, alphacolor=(255, 255, 255), benchmark=False, beta=1.0, binarize=False, cls_batch_num=6, cls_image_shape='3, 48, 192', 
cls_model_dir='C:\\Users\\Administrator/.paddleocr/whl\\cls\\ch_ppocr_mobile_v2.0_cls_infer', cls_thresh=0.9, cpu_threads=10, crop_res_save_dir='./output', det=True, det_algorithm='DB', det_box_type='quad', det_db_box_thresh=0.6, det_db_score_mode='fast', det_db_thresh=0.3, det_db_unclip_ratio=1.5, det_east_cover_thresh=0.1, det_east_nms_thresh=0.2, det_east_score_thresh=0.8, det_limit_side_len=960, det_limit_type='max', det_model_dir='C:\\Users\\Administrator/.paddleocr/whl\\det\\ch\\ch_PP-OCRv4_det_infer', det_pse_box_thresh=0.85, det_pse_min_area=16, det_pse_scale=1, det_pse_thresh=0, det_sast_nms_thresh=0.2, det_sast_score_thresh=0.5, draw_img_save_dir='./inference_results', drop_score=0.5, e2e_algorithm='PGNet', e2e_char_dict_path='./ppocr/utils/ic15_dict.txt', e2e_limit_side_len=768, e2e_limit_type='max', e2e_model_dir=None, e2e_pgnet_mode='fast', e2e_pgnet_score_thresh=0.5, e2e_pgnet_valid_set='totaltext', enable_mkldnn=False, formula=False, formula_algorithm='LaTeXOCR', formula_batch_num=1, formula_char_dict_path=None, formula_model_dir=None, fourier_degree=5, gpu_id=0, gpu_mem=500, help='==SUPPRESS==', image_dir=None, image_orientation=False, invert=False, ir_optim=True, kie_algorithm='LayoutXLM', label_list=['0', '180'], lang='ch', layout=True, layout_dict_path=None, layout_model_dir=None, layout_nms_threshold=0.5, layout_score_threshold=0.5, max_batch_size=10, max_text_length=25, merge_no_span_structure=True, min_subgraph_size=15, mode='structure', ocr=True, ocr_order_method=None, ocr_version='PP-OCRv4', onnx_providers=False, onnx_sess_options=False, output='./output', page_num=0, precision='fp32', process_id=0, re_model_dir=None, rec=True, rec_algorithm='SVTR_LCNet', rec_batch_num=6, rec_char_dict_path='d:\\app-install\\anaconda3\\envs\\python-pdfplumber-learn\\lib\\site-packages\\paddleocr\\ppocr\\utils\\ppocr_keys_v1.txt', rec_image_inverse=True, rec_image_shape='3, 48, 320', rec_model_dir='C:\\Users\\Administrator/.paddleocr/whl\\rec\\ch\\ch_PP-OCRv4_rec_infer', recovery=False, recovery_to_markdown=False, return_word_box=False, save_crop_res=False, save_log_path='./log_output/', savefile=False, scales=[8, 16, 32], ser_dict_path='../train_data/XFUND/class_list_xfun.txt', ser_model_dir=None, show_log=True, sr_batch_num=1, sr_image_shape='3, 32, 128', sr_model_dir=None, structure_version='PP-StructureV2', table=True, table_algorithm='TableAttn', table_char_dict_path=None, table_max_len=488, table_model_dir=None, total_process_num=1, type='ocr', use_angle_cls=True, use_dilation=False, use_gcu=False, use_gpu=True, use_mlu=False, use_mp=False, use_npu=False, use_onnx=False, use_pdf2docx_api=False, use_pdserving=False, use_space_char=True, use_tensorrt=False, use_visual_backbone=True, use_xpu=False, vis_font_path='./doc/fonts/simfang.ttf', warmup=False)

另外我看引用的字典文件有这个字

[jingsongliujing]

那就是相关数据不够，需要一些相关的数据进行微调训练

[DHclly]

好的

[GreatV]

你遇到的问题是 OCR 模型将“商榷”错误识别为“商榨”，这是 PaddleOCR 的文字识别阶段存在字符形近误差的一例。

根据你提供的截图以及代码环境：

• 你使用的是 lang='en' 的英文模型来识别中文文字；
• 出错内容为中文，错误识别结果中存在一些结构相似但含义完全不同的字（“榷”→“榨”）。

📌 原因分析：

1. 使用语言模型错误：
   你在初始化 PaddleOCR 实例时使用了 lang='en'，而正确的语种参数应该是 lang='ch'。英文模型不适用于中文识别，使用错误的模型会导致识别结果非常不准确。

   错误示例：

   ocr = PaddleOCR(use_angle_cls=True, lang='en')  # ❌ 英文模型

   正确示例：

   ocr = PaddleOCR(use_angle_cls=True, lang='ch')  # ✅ 中文模型

2. 字形相似导致的误识别：
   即便使用了中文模型，对于字形相似的“榷”与“榨”仍可能发生误识，尤其是在图像质量差、字体模糊或结构紧凑时。

📘 解决方案建议：

1. 使用正确语种模型：
   将代码中的 lang='en' 更换为 lang='ch'，这是解决字符错误识别的首要步骤。

2. 增加字符分类器（use_angle_cls=True 可继续保留）和识别置信度判断（score）以过滤不可靠结果。

3. 如果误识别仍然频繁发生，可以尝试以下高级优化方式：

   • 替换或训练更精细的模型，例如在中文场景可以使用 PP-OCRv3。
   • 对低置信度字符开发自定义后处理逻辑（例如语言模型修正）。
   • 增强输入图像质量，提升拍摄分辨率、确保字体清晰。

🔗 如果确认模型无法精确区分一些形近字，也可以考虑在字符级上做二次校正的后处理步骤，本质上是加入语言模型（类似拼写检查）的方式。

参考文档：

• 快速开始指南：https://paddlepaddle.github.io/PaddleOCR/latest/quick_start.html
• 语言支持说明：https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6/doc/doc_ch/multi_languages.md

如需要精调模型识别更罕见或容易混淆的字形，可考虑训练自定义识别模型，具体步骤见官方文档“模型训练与微调”。

---

Response generated by 🤖 feifei-bot | chatgpt-4o-latest

⚠️ This is an AI-generated response. Please verify any critical information.