# 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。
2.  **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。
3.  **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」）。
4.  **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？