文字检测、识别与数据标注
本节目标
区分文字检测、行/词识别和端到端文档解析，并设计不会把标注噪声当模型错误的数据集。
三类任务
- 文字检测（text detection）：输出文本区域坐标和检测分数。
- 文字识别（text recognition）：输入已裁剪的文字图，输出字符序列和识别分数。
- 端到端 OCR：组合检测与识别，可能再加入方向、版面和语言模块。
检测漏掉一行时，识别器无论多好都无法恢复；检测框混入相邻列时，识别器可能输出看似合理却顺序错误的文本。因此评测要分别观察检测覆盖和识别错误。
数据与标注契约
一个训练或评测样本至少记录：图像引用、页码、区域坐标、转写文本、语言/脚本、可读性、标注者与版本。标注规则应明确：
- 保留原始大小写、空格和标点，还是按任务规范化？
- 模糊字符写为猜测值、特殊标记，还是跳过？
- 旋转文字和竖排文字的坐标如何定义？
- 表格中合并单元格和空单元格如何表示？
先保留“原样转写（verbatim transcription）”，评测时再生成规范化副本。否则无法区分模型错误与评测清洗规则。
划分与泄漏
不要随机拆同一份多页文档的页面：相同模板、字体、章印会泄漏到训练和测试。更稳妥的分组键可能是文档、来源机构、模板或采集批次。测试集要包含真实困难切片，如低清、手写批注、混合语言，但不能只保留极端失败样本。
练习与排查
- 为中文票据设计 6 个标注字段，并写清全角/半角处理时机。
- 检测框正确、识别文本错，应先查语言模型、裁剪质量还是阅读顺序？先看裁剪和识别；阅读顺序属于后续聚合。
- 两名标注者对“1/l/I”不一致，先修规则并复核，不应直接归咎于模型。
下一步与参考
下一步进入 版面、表格与阅读顺序。参考 PaddleOCR 官方 OCR pipeline 文档（latest/version3.x） 和 Tesseract 命令行用法（5.x）（获取日期：2026-07-22）。PaddleOCR 的最新文档会改变默认模型与接口；这些页面只用于理解模块和输出，本课程不依赖其当前 API，实际接入应记录运行时版本与配置。