PP-OCRv5_server_det.yml参数解释

以下是OCR检测模型配置文件各参数的详细解释，按模块分类说明：

Global（全局配置）

• model_name: 模型标识符（PP-OCRv5服务器版检测模型）
• debug: 是否开启调试模式（false表示关闭）
• use_gpu: 是否使用GPU训练/推理（true启用GPU）
• epoch_num: 总训练轮数（设为500轮）
• log_smooth_window: 日志平滑窗口大小（取20个batch的损失平均值）
• print_batch_step: 每隔多少batch打印一次日志（每10个batch打印）
• save_model_dir: 模型保存目录（./output/PP-OCRv5_server_det）
• save_epoch_step: 每隔多少轮保存一次模型（每10轮保存）
• eval_batch_step: 在哪些batch进行模型评估（初始batch和1500 batch）
• cal_metric_during_train: 训练中是否实时计算指标（false表示不计算）
• checkpoints: 本地预训练模型路径（此处未设置）
• pretrained_model: 预训练模型下载地址（官方提供的PPHGNetV2_B4权重）
• save_inference_dir: 推理模型保存目录（null表示不单独保存）
• use_visualdl: 是否使用VisualDL可视化工具（false表示关闭）
• infer_img: 单张测试图片路径（doc/imgs_en/img_10.jpg）
• save_res_path: 推理结果保存路径（./checkpoints/det_db/predicts_db.txt）
• distributed: 是否使用分布式训练（true表示启用）

Architecture（模型结构）

• model_type: 任务类型（det表示检测任务）
• algorithm: 核心算法（DB即Differentiable Binarization）
• Transform: 输入图像预处理（null表示无需额外变换）
• Backbone:
  • name: 主干网络（PPHGNetV2_B4，高性能CNN）
  • det: 是否为检测任务定制（true）
• Neck:
  • name: 特征融合模块（LKPAN，改进的特征金字塔）
  • out_channels: 输出通道数（256）
  • intracl: 是否使用层内连接（true）
• Head:
  • name: 检测头类型（PFHeadLocal，渐进式特征头）
  • k: 关键点数量（50）
  • mode: 规模模式（large表示大模型）

Loss（损失函数）

• name: 损失类型（DBLoss，专用于DB算法）
• balance_loss: 是否平衡正负样本损失（true启用）
• main_loss_type: 主损失函数（DiceLoss，处理类别不平衡）
• alpha: 二值图损失权重（5）
• beta: 阈值图损失权重（10）
• ohem_ratio: 难例挖掘比例（3:1的负/正样本比例）

Optimizer（优化器）

• name: 优化器类型（Adam）
• beta1/beta2: Adam动量参数（0.9/0.999）
• lr:
  • name: 学习率调度策略（Cosine余弦退火）
  • learning_rate: 初始学习率（0.001）
  • warmup_epoch: 学习率预热轮数（2轮）
• regularizer:
  • name: 正则化方法（L2权重衰减）
  • factor: 正则化系数（1e-6）

PostProcess（后处理）

• name: 后处理方法（DBPostProcess）
• thresh: 二值化阈值（0.3）
• box_thresh: 框得分阈值（高于0.6才保留）
• max_candidates: 最大候选框数量（1000）
• unclip_ratio: 框扩展比例（1.5倍）

Metric（评估指标）

• name: 指标计算器（DetMetric）
• main_indicator: 核心评估指标（hmean即F1-score）

Train（训练配置）

• dataset:
  • name: 数据集类型（SimpleDataSet）
  • data_dir: 训练数据目录（ICDAR2015路径）
  • label_file_list: 训练标签文件路径
  • ratio_list: 数据采样比例（[1.0]表示全采样）
  • transforms: 数据增强流水线：
    • DecodeImage: 图像解码（BGR格式）
    • DetLabelEncode: 标签解析
    • CopyPaste: 复制粘贴增强
    • IaaAugment: 多策略增强（翻转/旋转/缩放）
    • EastRandomCropData: 随机裁剪（640x640）
    • MakeBorderMap: 生成阈值图（配合DB算法）
    • MakeShrinkMap: 生成二值图（文本区域收缩）
    • NormalizeImage: 标准化（ImageNet均值/方差）
    • ToCHWImage: 转换张量维度（HWC → CHW）
    • KeepKeys: 指定需保留的数据键
• loader:
  • shuffle: 数据打乱（true）
  • drop_last: 是否丢弃末尾不完整batch（false）
  • batch_size_per_card: 单GPU batch大小（8）
  • num_workers: 数据加载线程数（8）

Eval（验证配置）

• dataset:
  • 与训练相似，但使用测试集标签（test_icdar2015_label.txt）
  • transforms去除了数据增强，增加DetResizeForTest适配推理尺寸
• loader:
  • batch_size_per_card: 设为1（逐张评估）
  • num_workers: 线程数减至2

其他

• profiler_options: 性能分析工具选项（null表示不启用）

关键设计说明

1. 数据增强：结合几何变换（旋转/缩放）与语义级增强（CopyPaste）
2. DB算法适配：通过MakeBorderMap/MakeShrinkMap生成辅助监督信号
3. 学习率策略：余弦退火+预热，兼顾训练稳定性和收敛速度
4. 模型结构：PPHGNetV2主干 + LKPAN特征金字塔，平衡精度与速度

注：配置基于PaddleOCR实现，适用于文本检测任务。