公式识别准确度

[whwususu]

公式过长的时候，会出现角标识别错误或者忽略的情况，有没有什么设置，能够提高识别度的参数，例如dpi等等参数，目前minuer的版本是mineru, version 2.6.4

[dosubot[bot]]

关于MinerU 2.6.4版本中长公式角标识别的问题，以下是一些可能有帮助的配置建议：

1. 切换处理后端（推荐）
pipeline后端在识别技术参数和特殊符号方面通常比VLM更准确。你可以尝试在pipeline、VLM和hybrid后端之间切换，或使用 --method ocr 强制全页OCR来对比效果。

2. 调整OCR参数
可以尝试调整以下参数改善角标识别：

• det_db_box_thresh: 0.3–0.5
• det_db_unclip_ratio: 1.6–2.0
• 启用 enable_merge_det_boxes
• 确保批量大小至少设置为16

3. 启用中文公式支持
设置环境变量 MINERU_FORMULA_CH_SUPPORT=1 可以启用实验性的中文公式支持（仅pipeline后端），不过这可能略微降低速度。

关于DPI参数
很遗憾，目前MinerU的公式识别使用固定的384x384像素输入尺寸，暂无可调整的DPI或分辨率参数。

诊断问题
建议检查输出目录中的中间文件（middle.json, layout.pdf, spans.pdf）来定位缺失或识别错误的公式，有些内容可能在 discarded_blocks 中可以恢复。

长公式角标识别错误是一个已知问题，对于特别复杂的公式可能仍需要后处理或手动校正。

To reply, just mention @dosu.

---

^{How did I do? Good | Irrelevant | Incorrect | Verbose | Hallucination | Report 🐛 | Other}

   

[whwususu]

调整OCR参数，这个在哪个文件设置

[dosubot[bot]]

MinerU的OCR参数（如det_db_box_thresh、det_db_unclip_ratio等）不是通过配置文件设置的，而是需要通过Python代码配置。

如果你使用命令行工具，只能通过 -l, --lang 参数设置语言来间接影响OCR，参见命令行文档。

如果需要调整底层OCR参数，需要使用Python API方式调用，在实例化时传递参数：

from mineru.model.ocr.pytorch_paddle import PytorchPaddleOCR

ocr_engine = PytorchPaddleOCR(
    det_db_box_thresh=0.3,        # 默认0.6
    det_db_unclip_ratio=1.8,      # 默认1.5
    enable_merge_det_boxes=True,  # 默认True
    lang='ch_lite'
)

参数默认值定义在 pytorchocr_utility.py 中，OCR类实现在 pytorch_paddle.py 中。

目前mineru.json配置文件主要用于LaTeX分隔符和模型路径等高层配置，暂不支持直接配置这些OCR底层参数。

To reply, just mention @dosu.

---

^{How did I do? Good | Irrelevant | Incorrect | Verbose | Hallucination | Report 🐛 | Other}