[Discussion] Guidelines for Adjusting OCR Model Parameters

[longipinnatus]

简述

为了针对具体场景进一步优化 OCR 的识别效果（例如解决漏检、误检、文本框粘连或切字等问题），可以对 PaddleOCR 文本检测阶段的三个参数进行微调。

本 Issue 解释了 pixel_thresh, box_thresh, 和 unclip_ratio 这三个参数的具体作用与调试策略。

参数详细说明

1. pixel_thresh (文本检测像素阈值 / 二值化阈值)

• 含义：DB 检测模型输出的是一张概率图，此参数是该概率图的二值化阈值。只有得分大于该阈值的像素点，才会被模型判定为有效的“文本像素”。
• 默认值：0.3
• 调参策略：
  • 调大 (如 0.4 - 0.5)：过滤标准更严格。适用于画面背景复杂、存在大量容易被误识别为文字的背景纹理噪点的场景。
  • 调小 (如 0.1 - 0.2)：过滤标准更宽松。适用于文字颜色较浅、与背景对比度低，或者因图像模糊导致大面积漏检的情况。

2. box_thresh (文本检测框平均得分阈值)

• 含义：该参数用于过滤最终生成的文本边界框（Bounding Box）。算法会计算由上述“文本像素”构成的每一个外接框内部的平均得分。如果某个检测框的平均得分低于此阈值，则整个框会被视为低置信度并被直接丢弃。
• 默认值：0.5
• 调参策略：
  • 调大 (如 0.6 - 0.8)：提高输出文本框的门槛，减少“假阳性”（即把非文字的区域错误地框出来）。
  • 调小 (如 0.3 - 0.4)：降低门槛以提高召回率。适用于画面中存在模糊等问题导致置信度不高，但确实是文本的区域。

3. unclip_ratio (文本框膨胀比例)

• 物理含义：由于 DB 算法的特性，模型在训练时预测的是收缩后的文本“核心区域”。在推理预测时，需要通过 Vatti clipping 算法将检测到的多边形区域按一定比例向外膨胀，才能包裹住完整的文字边缘。该参数即控制向外膨胀的倍率。
• 默认值：1.5
• 调参策略：
  • 调大：生成的文本框会变得更大、更宽。如果发现识别结果经常出现“切字”现象（例如文字边缘被切掉、偏旁部首不全导致识别出错），应适当调大。
  • 调小：生成的文本框更紧凑。如果遇到多行或密集排列的文本，由于膨胀过大导致行与行之间的文本框互相粘连重叠，可以缩小该比例。

---

调参思路

在调整参数时，建议先开启显示检测框功能，以直观感受参数变化带来的影响。建议调优顺序如下：

1. 存在漏检（本该有文字却没框出来）：尝试降低 box_thresh，若无明显改善，再适当降低 pixel_thresh。
2. 存在误检（把背景错认成文字）：尝试提高 box_thresh，其次提高 pixel_thresh。
3. 文本框粘连或框不全：调整 unclip_ratio。

参考资料

• PaddleOCR 通用 OCR 产线使用教程
• PaddleOCR 官方 FAQ 文档