影片筆記：哦吼！PP-OCRv6全场景实测｜本地部署 训练格式 对比PaddleOCR-VL文本识别模型

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 可先使用，仍有待修正項目

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

• 待修正：逐字稿來源選擇未完全通過，仍先生成筆記（no_trustworthy_transcript_source；原始逐字稿保留；請進入精進模式確認來源。）
• 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）
• 待修正：逐字稿可先使用，但有待校正清單（segment=44 adjacent_duplicate: 與前一段完全重複，可能是滾動字幕或 ASR 重複；segment=60 sentence_boundary_unclear: 長段落沒有自然句尾，斷句位置待人工確認）
• 待修正：逐字稿品質檢核未完全通過（{'stage': 'canonical_transcript_quality', 'action': 'published_with_warning', 'signals': ['canonical_hallucination_detected', 'extreme_long_sentence_units', 'transcript_selection_not_resolved']}）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

一句話總結

本影片實測 PP-OCRv6 模型，展示其本地部署、推理速度及對複雜排版（如電路板 CAD、手寫體）的支援能力，並詳細演示了從環境配置、模型下載推理到使用 COCO 格式進行數據標註與微調（Fine-tuning）的完整流程，同時對比了 PP-OCRv6 與 PP-V5、GPT 及 MinerU 2.5 等模型的識別效果。

核心重點

• PP-OCRv6 特性：已開源，支援 50 種語言，具備處理複雜場景（雜誌排版、手寫體、電路板 CAD）的能力。
• 性能表現：Medium 模型在本地 CPU 環境下推理速度較快。
• 技術定位：屬於 CN 模型技術路線，是 PiDoc2 全流程的第一步，用於識別文檔所有內容（包含文本位置檢測、裁剪、文字識別）。
• 微調流程：當識別效果不佳時，可透過截取錯誤圖片，使用 COCO 格式進行標註，並利用官方命令進行一鍵訓練與微調。
• 對比測試：與 PP-V5、GPT 以及基於 VRM 技術路線的 MinerU 2.5、PiDoc2 1.6 進行對比，指出不同模型在特定文字識別上可能出現的錯誤（如「中国沙」或「中国蓝」）。

詳細大綱

1. PP-OCRv6 介紹與特性

• 開源與語言支援：PP-OCRv6 已開源，支援 50 種語言。
• 複雜場景支援：能夠處理雜誌排版、手寫體、電路板 CAD 等複雜排版情況。
• 模型版本：提供 Tiny、Smoth（疑點）、Medium 等版本。
• 本地測試結果：Medium 模型在 CPU 上運行速度較快。

2. 技術路線與定位

• 技術路線：PP-OCRv6 屬於 CN 模型技術路線。
• 對比 VRM 技術路線：與 MinerU 2.5、PiDoc2 1.6 等基於 VRM 技術路線的模型進行區別。
• 產品定位：作為 PiDoc2 全流程的第一站，用於識別文檔所有內容。
• 基礎流程：文本位置檢測（第一 T 模型，疑點）-> 裁剪 -> 文字識別。

3. 格式與環境配置

• 支援格式：支援 PiDoc2 原生格式、SafeTensors（面向 Hugging）。
• 安裝環境：
• 使用康達（疑點，應指 Conda）進行環境管理。
• 使用褲打 13.0（疑點，應指 PyTorch 或相關版本）框架。
• 使用官方命令安裝工具。

4. 實測與對比

• 模型下載與推理：
• 自動下載模型。
• 指定輸出位置進行推理。
• 速度測試：PP-V6 Medium 模型處理三頁內容的速度很快。
• 識別對比：
• 對比 PP-V6、PP-V5 與 GPT。
• 對比 MinerU 2.5 Pro：指出兩者均可能出現識別錯誤，例如將特定文字識別為「中国沙」或「中国蓝」。

5. 模型微調（Fine-tuning）流程

• 適用情況：當模型表現不好時。
• 方法：使用 PP-OCRv6 支援的舊模型進行訓練。
• 數據準備：
• 使用 COCO 格式。
• 截取處理不好的圖片（如符號：立方米、平方米、Ad、復權號等）。
• 標註與訓練：進行圖片標註，使用官方命令進行一鍵訓練。

工具 / 模型 / 名詞整理

• PP-OCRv6：本次實測的主要模型。
• PP-V5 / PP-V6：用於對比的老版本或同系列模型。
• Tiny / Medium 模型：PP-OCRv6 的不同參數規模版本。
• Smoth 模型：逐字稿提及的版本名稱，疑點待查。
• GPT：用於對比的大型語言模型。
• MinerU 2.5 / PiDoc2 1.6：基於 VRM 技術路線的對比模型。
• PiDoc2：PP-OCRv6 所屬的全流程產品。
• CN 模型：PP-OCRv6 所屬的技術路線分類。
• VRM：MinerU 等模型所屬的技術路線分類。
• SafeTensors：模型權重格式，面向 Hugging。
• Hugging：模型託管平台。
• COCO 格式：用於數據標註的格式標準。
• 康達：逐字稿提及的環境管理工具，疑點待查。
• 褲打 13.0：逐字稿提及的框架版本，疑點待查。
• 第一 T 模型：逐字稿提及的檢測模型名稱，疑點待查。

操作流程整理

1. 環境準備：

• 使用康達（疑點）建立環境。
• 安裝褲打 13.0（疑點）框架。
• 使用官方命令安裝必要工具。

1. 模型下載與推理：

• 執行命令自動下載 PP-OCRv6 模型。
• 指定輸出位置。
• 進行推理測試，觀察處理三頁內容的速度。

1. 識別效果評估：

• 對比 PP-V5、GPT 及 MinerU 2.5 Pro 的識別結果。
• 記錄識別錯誤案例（如「中国沙」、「中国蓝」）。

1. 模型微調（Fine-tuning）：

• 針對識別效果不佳的情況，截取相關圖片。
• 使用 COCO 格式對圖片進行標註（包含符號如立方米、平方米等）。
• 使用官方命令進行一鍵訓練與微調。

值得注意的限制或風險

• 識別錯誤風險：PP-OCRv6 與 MinerU 2.5 Pro 在特定文字識別上均可能出現錯誤，需人工校對。
• 技術路線差異：PP-OCRv6 屬於 CN 模型技術路線，與 VRM 技術路線（如 MinerU、PiDoc2）在處理邏輯上存在區別。
• 環境依賴：本地部署依賴特定的環境配置（康達、褲打 13.0 等），需確保環境正確安裝。

逐字稿辨識疑點

• Smoth：逐字稿提及模型版本為 "Tiny, Smoth, Medium"，疑為 "Small" 或 "Smaller" 之聽寫錯誤。
• 康達：逐字稿提及 "實驗的是康達"，疑為 "Conda" 之聽寫錯誤。
• 褲打 13.0：逐字稿提及 "我的是褲打13.0"，疑為 "PyTorch" 或相關框架版本之聽寫錯誤。
• 第一 T 模型：逐字稿提及 "第一T的模型"，疑為 "Detection"（檢測）或特定技術術語之聽寫錯誤。
• 罗望性的最高：逐字稿提及 "罗望性的最高"，語意不明，疑為聽寫錯誤。
• 优秘：逐字稿提及 "在词还是比较优秘"，語意不明，疑為 "優異" 或 "秘密" 之聽寫錯誤。
• Ad：逐字稿提及 "像一些Ad"，語意不明，疑為特定符號或單詞之聽寫錯誤。
• 復權號：逐字稿提及 "復權號"，疑為 "複合號"、"破折號" 或其他符號名稱之聽寫錯誤。
• 試取模型：逐字稿提及 "試取模型的一個效果"，疑為 "測試" 或 "推理" 之聽寫錯誤。
• PED OCR：逐字稿提及 "之前的PED OCR的VR模型"，疑為 "PP OCR" 之聽寫錯誤。

可延伸追問

• PP-OCRv6 的 Medium 模型在 CPU 上的具體推理速度數據為何？
• CN 模型技術路線與 VRM 技術路線在架構上有何具體差異？
• 使用 COCO 格式標註時，對於特殊符號（如立方米、平方米）的標註規範為何？
• 微調後的模型在特定領域（如電路板 CAD）的識別準確率提升幅度如何？