一、数据准备

1.1 数据格式要求

PaddleOCR 识别模块支持两种主流数据格式， LMDB 格式，也支持简单易操作的 TXT 格式。
TXT 格式（入门首选）
• 数据目录结构：

train_data/
├── images/          # 存放所有训练图像
│   ├── img_1.jpg
│   ├── img_2.png
│   └── ...
├── train_label.txt  # 训练集标注文件
└── val_label.txt    # 验证集标注文件

• 标注文件格式（每行对应 1 张图像）：

格式：图像相对路径\t标注文本（编码为UTF-8）

images/img_1.jpg\t身份证123456789012345678
images/img_2.png\t营业执照统一社会信用代码91110105MA01234567

如下图所示，分为两列，第一列为图像路径，第二列为图像内容

• 注意事项：
a. 图像路径与标注文本用 Tab 键（\t） 分隔，不可用空格
b. 标注文本需与图像实际内容完全一致，不可包含无关字符
c. 支持的图像格式：jpg、png、jpeg、bmp

1.2 数据集划分

• 比例要求：训练集：验证集 = 8:2 或 9:1
• 数据量建议：
d. 通用场景（如印刷体文字）：至少 5000 张样本
e. 特定场景（如手写体、特殊字体）：至少 10000 张样本
f. 小样本场景：可结合数据增强（见 1.3 节）补充至 3000 张以上

1.3 数据增强

PaddleOCR 内置数据增强策略，无需额外编码，可通过配置文件启用（见第三章），核心增强方式：
• 常用增强：随机裁剪、亮度 / 对比度调整、高斯模糊、随机旋转（±3°）
• 文本相关增强：文本拉伸、文本模糊、随机加噪
• 配置建议：小样本场景启用全部增强，大数据集可仅启用基础增强

二、环境配置

已经配置好环境的直接略过，去往第三章节。
2.1 基础环境要求

依赖项	版本要求
Python	3.10
PaddlePaddle	2.5.0
PaddleOCR	2.8.0
CUDA	11.8
CUDNN	9.4.0
NCCL	2.21.5

配置NIVIDIA环境

export PATH="$HOME/env/cuda_nvcc-linux-x86_64-11.8.89-archive/bin:$PATH"
export LD_LIBRARY_PATH="$HOME/env/cuda_nvcc-linux-x86_64-11.8.89-archive/lib:$LD_LIBRARY_PATH"
export XLA_FLAGS=--xla_gpu_cuda_data_dir="$HOME/env/cuda_nvcc-linux-x86_64-11.8.89-archive"
export PATH="$HOME/env/cudnn-linux-x86_64-9.4.0.58_cuda11-archive/bin:$PATH"
export LD_LIBRARY_PATH="$HOME/env/cudnn-linux-x86_64-9.4.0.58_cuda11-archive/lib:$LD_LIBRARY_PATH"
export LD_LIBRARY_PATH="$HOME/env/nccl_2.21.5-1+cuda11.0_x86_64/lib:$LD_LIBRARY_PATH"
export PATH="$PATH:$HOME/env/ffmpeg-N-118385-g0225fe857d-linux64-gpl/bin"
export LD_LIBRARY_PATH="$HOME/env/lib_so:$LD_LIBRARY_PATH"

检查nvcc版本

(py310_env) test@aitest:~/PaddleOCR-release-2.8$ nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Wed_Sep_21_10:33:58_PDT_2022
Cuda compilation tools, release 11.8, V11.8.89
Build cuda_11.8.r11.8/compiler.31833905_0

2.2 预训练模型下载

微调需基于 PaddleOCR 提供的预训练模型，避免从零训练，下载地址：
• 官方模型库：
PaddleOCR: 基于飞桨的OCR和文档解析工具库，包含文字识别PP-OCR系列模型、文档解析PaddleOCR-VL、PP-Structure系列方案和关键信息抽取PP-ChatOCR系列方案 - Gitee.com
https://gitee.com/link?target=https%3A%2F%2Fpaddleocr.bj.bcebos.com%2FPP-OCRv4%2Fchinese%2Fch_PP-OCRv4_rec_train.tar
下载后解压至指定目录（如./pretrained_models/），目录结构如下：

pretrained_models/
└── ch_PP-OCRv4_rec_train/
    ├── student.pdparams

三、配置文件修改

PaddleOCR 微调通过配置文件指定数据集、模型、训练参数，核心配置文件路径：PaddleOCR-release-2.8/configs/rec/PP-OCRv4/ch_PP-OCRv4_rec.yml（中文识别）。

3.1 数据集配置

修改Train和Eval部分，指定数据格式和路径：

Train:
  dataset:
    name: MultiScaleDataSet
    ds_width: false
    data_dir: ./train_data/chdata/images20W
    ext_op_transform_idx: 1
    label_file_list:
    - ./train_data/chdata/train20W.txt
    transforms:
    - DecodeImage:
        img_mode: BGR
        channel_first: false
    - RecConAug:
        prob: 0.5
        ext_data_num: 2
        image_shape: [48, 320, 3]
        max_text_length: *max_text_length
    - RecAug:
    - MultiLabelEncode:
        gtc_encode: NRTRLabelEncode
    - KeepKeys:
        keep_keys:
        - image
        - label_ctc
        - label_gtc
        - length
        - valid_ratio
  sampler:
    name: MultiScaleSampler
    scales: [[320, 32], [320, 48], [320, 64]]
    first_bs: &bs 128
    fix_bs: false
    divided_factor: [8, 16] # w, h
    is_training: True
  loader:
    shuffle: true
    batch_size_per_card: *bs
    drop_last: true
    num_workers: 8
Eval:
  dataset:
    name: SimpleDataSet
    data_dir: ./train_data/chdata/images20W
    label_file_list:
    - ./train_data/chdata/val5K.txt
    transforms:
    - DecodeImage:
        img_mode: BGR
        channel_first: false
    - MultiLabelEncode:
        gtc_encode: NRTRLabelEncode
    - RecResizeImg:
        image_shape: [3, 48, 320]
    - KeepKeys:
        keep_keys:
        - image
        - label_ctc
        - label_gtc
        - length
        - valid_ratio
  loader:
    shuffle: false
    drop_last: false
    batch_size_per_card: 20
    num_workers: 4

data_dir:图像文件夹
label_file_list:txt文件路径
batch_size_per_card：batchsize大小
num_workers：几个线程加载数据
注意：data_dir的值和 label_file_list第一列的值组合需要是完整的图像路径
即./train_data/chdata/images20W+./train_data/chdata/train20W.txt里按照行读取的第一列的值是完整的图像路径

3.2 模型配置

指定预训练模型路径和输出路径：

Global:
  debug: false
  use_gpu: true
  epoch_num: 200
  log_smooth_window: 20
  print_batch_step: 100
  save_model_dir: ./output/rec_ppocr_v4
  save_epoch_step: 20
  eval_batch_step: [0, 2000]
  cal_metric_during_train: true
  pretrained_model: /SE/py_module/shh/PaddleOCR-release-2.8/pretrained_model/ch_PP-OCRv4_rec_train/student.pdparams
  checkpoints:
  save_inference_dir:
  use_visualdl: false
  infer_img: doc/imgs_words/ch/word_1.jpg
  character_dict_path: ppocr/utils/ppocr_keys_v1.txt
  max_text_length: &max_text_length 25
  infer_mode: false
  use_space_char: true
  distributed: true
  save_res_path: ./output/rec/predicts_ppocrv3.txt

use_gpu: true #启动gpu
epoch_num: 200 #训练轮数
print_batch_step: 100 #每100步打印一次
save_model_dir: ./output/rec_ppocr_v4 #中间模型输出路径文件夹
save_epoch_step: 20 #每20个epoch保存一次模型参数
eval_batch_step: [0, 2000]#从第0步开始，每训练2000步就验证一次，并保存验证集最好的模型
pretrained_model: #下载的预训练模型
character_dict_path：#字典路径

3.3 训练超参数配置

根据数据量和硬件调整：

Optimizer:
  name: Adam
  beta1: 0.9
  beta2: 0.999
  lr:
    name: Cosine
    learning_rate: 0.00001
    warmup_epoch: 5
  regularizer:
    name: L2
    factor: 3.0e-05

learning_rate: 学习率
warmup_epoch: 学习率预热轮数，避免一开始学习率较大

四、启动微调训练

4.1 训练命令

在 PaddleOCR 根目录执行以下命令，启动训练：

单卡训练

python3 tools/train.py -c configs/rec/PP-OCRv4/ch_PP-OCRv4_rec.yml -o Global.pretrained_model=./pretrained_models/ch_PP-OCRv4_rec_train/student

多卡训练

python3 -m paddle.distributed.launch --gpus '0,1' tools/train.py -c configs/rec/PP-OCRv4/ch_PP-OCRv4_rec.yml -o Global.pretrained_model=./pretrained_models/ch_PP-OCRv4_rec_train/student

• 参数说明：
◦ -c：指定配置文件路径
◦ -o：覆盖配置文件中的参数（优先级高于配置文件）
◦ --gpus：指定使用的 GPU 卡号（多卡时用逗号分隔）

4.2 训练过程监控

训练日志输出示例：

[2025/11/04 17:35:09] ppocr INFO: epoch: [1/200], global_step: 100, lr: 0.000000, acc: 0.414062, norm_edit_dis: 0.664962, CTCLoss: 18.261278, NRTRLoss: 2.635521, loss: 20.873051, avg_reader_cost: 0.10939 s, avg_batch_cost: 0.34546 s, avg_samples: 49.28, ips: 142.64952 samples/s, eta: 12:32:31, max_mem_reserved: 12494 MB, max_mem_allocated: 8514 MB
[2025/11/04 17:35:39] ppocr INFO: epoch: [1/200], global_step: 200, lr: 0.000001, acc: 0.405506, norm_edit_dis: 0.665934, CTCLoss: 20.458240, NRTRLoss: 2.684018, loss: 23.159084, avg_reader_cost: 0.08147 s, avg_batch_cost: 0.29976 s, avg_samples: 45.88, ips: 153.05334 samples/s, eta: 11:42:13, max_mem_reserved: 12494 MB, max_mem_allocated: 8514 MB

 # 验证集准确率
[2025/11/04 17:39:34] ppocr INFO: cur metric, acc: 0.6037244681543363, norm_edit_dis: 0.759965194531697, fps: 899.3473670254149
[2025/11/04 17:39:35] ppocr INFO: save best model is to ./output/rec_ppocr_v4/icdar2017_best_model1104/best_accuracy
[2025/11/04 17:39:35] ppocr INFO: best metric, acc: 0.6037244681543363, is_float16: False, norm_edit_dis: 0.759965194531697, fps: 899.3473670254149, best_epoch: 2 

• 关键指标：
◦ acc：识别准确率（越高越好），预测结果和真值比较，完全一样才行
◦ loss：训练损失（逐步下降至稳定）
◦ norm_edit_dis：编辑距离（越低越好，衡量预测与真实标签的差异）
模型输出

4.3 断点续训

若训练中断，可通过以下命令续训（自动加载最新保存的模型）：

python3 -m paddle.distributed.launch --gpus '1' tools/train.py -c configs/rec/PP-OCRv4/ch_PP-OCRv4_rec.yml -o Global.checkpoints=./output/rec_ppocr_v4/best_model/model

不用加模型后缀

五、模型评估与推理

5.1 模型评估

训练完成后，使用验证集评估模型性能：

python3 -m paddle.distributed.launch --gpus '0' tools/eval.py -c configs/rec/PP-OCRv4/ch_PP-OCRv4_rec_test.yml -o Global.checkpoints=./output/rec_ppocr_v4/best_model/model

加载最优模型，不用加模型后缀
评估输出示例：

[2025/11/11 13:35:41] ppocr INFO: metric eval ***************
[2025/11/11 13:35:41] ppocr INFO: acc:0.6341500991922483
[2025/11/11 13:35:41] ppocr INFO: norm_edit_dis:0.7898709468674697
[2025/11/11 13:35:41] ppocr INFO: fps:805.4414229878968
LAUNCH INFO 2025-11-11 13:35:42,421 Pod completed
LAUNCH INFO 2025-11-11 13:35:42,421 Exit code 0

5.2 模型推理（测试单张图像）

使用微调后的模型识别单张图像：

python3 tools/infer_rec.py -c configs/rec/PP-OCRv4/ch_PP-OCRv4_rec.yml -o Global.pretrained_model=./output/rec_ppocr_v4/best_model/model Global.infer_img=doc/imgs_words/ch/word_3.jpg

不用加模型后缀
推理输出示例：

Predicted text: 营业执照统一社会信用代码91110105MA01234567, Score: 0.987

• Score：识别置信度（越高越可靠，通常≥0.8 为有效识别）

5.3 模型导出（部署用）

将训练后的模型导出为推理模型（支持 C++/Python 部署）：

python3 tools/export_model.py -c configs/rec/PP-OCRv4/ch_PP-OCRv4_rec.yml -o Global.pretrained_model=./output/rec_ppocr_v4/best_model/model  Global.save_inference_dir=./output/rec_ppocr_v4/my_model/

指定到文件夹即可。
导出后目录结构：

my_model/
├── inference.pdiparams
├── inference.pdiparams.info
└── inference.pdmodel

5.4 导出模型推理

python3 tools/infer/predict_rec.py --image_dir=./doc/imgs_words/ch/word_3.jpg --rec_model_dir=./output/rec_ppocr_v4/my_model/

指定到文件夹即可
也可直接调用

ocr = PaddleOCR(
    use_angle_cls=True,
    lang='ch',
    use_gpu= True if int(gpu_id) >= 0 else False,
    gpu_id= int(gpu_id),
    det_model_dir=project_dir + '/pkg/ocr_model/det_model/',
    cls_model_dir=project_dir + '/pkg/ocr_model/cls_model/',
    rec_model_dir=./output/rec_ppocr_v4/my_model/, #自己训练并导出的识别模型路径
)

六、常见问题排查

6.1 训练报错：找不到图像 / 标注文件

• 检查data_dir和label_file_list路径是否正确（相对路径基于 PaddleOCR 根目录）
• 标注文件中图像路径是否与实际文件一致（区分大小写）
• 标注文件编码是否为 UTF-8（避免中文乱码）

6.2 训练不收敛（loss 不下降 / 准确率低）

• 数据量不足：增加样本数或加强数据增强
• 学习率过高 / 过低：调整learning_rate（建议 0.000001~0.00001）
• 预训练模型不匹配：确认预训练模型与配置文件对应（如中文模型对应中文配置）
• 标注错误：检查标注文本与图像内容是否一致，剔除错误标注

6.3 GPU 显存不足

• 减小batch_size_per_card（如从 64 调整为 32/16）
• 减小输入图像尺寸（如image_shape: [3, 32, 256]）
• 关闭不必要的数据增强（如RecConAug）

6.4 推理结果错误较多

• 验证集与测试集场景差异过大：增加测试集对应场景的训练样本
• 字符集缺失：检查字典文件是否包含所有待识别字符
• 图像质量问题：预处理测试图像（如去模糊、调整亮度）

附录：

完整可用ch_PP-OCRv4_rec.yml内容

Global:
  debug: false
  use_gpu: true
  epoch_num: 200
  log_smooth_window: 20
  print_batch_step: 100
  save_model_dir: ./output/rec_ppocr_v4
  save_epoch_step: 20
  eval_batch_step: [0, 2000]
  cal_metric_during_train: true
  pretrained_model: /SE/py_module/shh/PaddleOCR-release-2.8/pretrained_model/ch_PP-OCRv4_rec_train/student.pdparams
  checkpoints:
  save_inference_dir:
  use_visualdl: false
  infer_img: doc/imgs_words/ch/word_1.jpg
  character_dict_path: ppocr/utils/ppocr_keys_v1.txt
  max_text_length: &max_text_length 25
  infer_mode: false
  use_space_char: true
  distributed: true
  save_res_path: ./output/rec/predicts_ppocrv3.txt


Optimizer:
  name: Adam
  beta1: 0.9
  beta2: 0.999
  lr:
    name: Cosine
    learning_rate: 0.00001
    warmup_epoch: 5
  regularizer:
    name: L2
    factor: 3.0e-05


Architecture:
  model_type: rec
  algorithm: SVTR_LCNet
  Transform:
  Backbone:
    name: PPLCNetV3
    scale: 0.95
  Head:
    name: MultiHead
    head_list:
      - CTCHead:
          Neck:
            name: svtr
            dims: 120
            depth: 2
            hidden_dims: 120
            kernel_size: [1, 3]
            use_guide: True
          Head:
            fc_decay: 0.00001
      - NRTRHead:
          nrtr_dim: 384
          max_text_length: *max_text_length

Loss:
  name: MultiLoss
  loss_config_list:
    - CTCLoss:
    - NRTRLoss:

PostProcess:  
  name: CTCLabelDecode

Metric:
  name: RecMetric
  main_indicator: acc

Train:
  dataset:
    name: MultiScaleDataSet
    ds_width: false
    data_dir: ./train_data/chdata/images20W
    ext_op_transform_idx: 1
    label_file_list:
    - ./train_data/chdata/train20W.txt
    transforms:
    - DecodeImage:
        img_mode: BGR
        channel_first: false
    - RecConAug:
        prob: 0.5
        ext_data_num: 2
        image_shape: [48, 320, 3]
        max_text_length: *max_text_length
    - RecAug:
    - MultiLabelEncode:
        gtc_encode: NRTRLabelEncode
    - KeepKeys:
        keep_keys:
        - image
        - label_ctc
        - label_gtc
        - length
        - valid_ratio
  sampler:
    name: MultiScaleSampler
    scales: [[320, 32], [320, 48], [320, 64]]
    first_bs: &bs 128
    fix_bs: false
    divided_factor: [8, 16] # w, h
    is_training: True
  loader:
    shuffle: true
    batch_size_per_card: *bs
    drop_last: true
    num_workers: 8
Eval:
  dataset:
    name: SimpleDataSet
    data_dir: ./train_data/chdata/images20W
    label_file_list:
    - ./train_data/chdata/val5K.txt
    transforms:
    - DecodeImage:
        img_mode: BGR
        channel_first: false
    - MultiLabelEncode:
        gtc_encode: NRTRLabelEncode
    - RecResizeImg:
        image_shape: [3, 48, 320]
    - KeepKeys:
        keep_keys:
        - image
        - label_ctc
        - label_gtc
        - length
        - valid_ratio
  loader:
    shuffle: false
    drop_last: false
    batch_size_per_card: 20
    num_workers: 4