上面已经制作完数据集 ，现在开始进行模型训练。
数据集制作请参考：PaddleOCR系列------《文本检测、文本识别、表格结构》数据集制作_ppocrlabel-CSDN博客
官方文档：
下载PaddleOCR源码
https://github.com/PaddlePaddle/PaddleOCR.git
去github下载源码压缩包
安装参考： PaddleOCR系列------基础环境安装及快速使用-CSDN博客
官方链接： 安装 - PaddleOCR 文档
下载预训练模型
python
# 下载 PP-OCRv5_server_det 预训练模型
wget https://paddle-model-ecology.bj.bcebos.com/paddlex/official_pretrained_model/PP-OCRv5_server_det_pretrained.pdparams
# 下载 PP-OCRv5_server_rec 预训练模型
wget https://paddle-model-ecology.bj.bcebos.com/paddlex/official_pretrained_model/PP-OCRv5_server_rec_pretrained.pdparams训练
源码结构：
配置文件：
接下来让我们看一下配置文件。
所有模型 配置文件路径是：
PaddleOCR-main/configs
我们现在要使用的配置文件是：
/mnt/svip/lmz/PyPro/PaddleOCR/test/PaddleOCR-main/configs/det/PP-OCRv5/PP-OCRv5_server_det.yml
/mnt/svip/lmz/PyPro/PaddleOCR/test/PaddleOCR-main/configs/rec/PP-OCRv5/PP-OCRv5_server_rec.yml
参数介绍：
PP-OCRv5_server_det.yml
一、Global（全局配置）
这部分是整个训练过程的全局控制参数，影响整体训练流程。
| 参数 | 含义 | 取值说明 |
|---|---|---|
model_name |
模型名称 | 指定使用 PP-OCRv5_server_det 静态模型进行推理，用于标识训练的模型版本 |
debug |
调试模式 | false 表示关闭调试（生产训练建议关闭），true 会输出更多调试信息 |
use_gpu |
是否使用 GPU | true 启用 GPU 训练（大幅提升速度），false 使用 CPU（仅测试 / 低配环境） |
epoch_num |
训练轮数 | 500 表示模型会完整遍历训练集 500 次（&epoch_num 是 YAML 锚点，方便其他地方复用该值） |
log_smooth_window |
日志平滑窗口 | 计算 20 个批次的平均日志指标（如 loss），让日志曲线更平滑 |
print_batch_step |
日志打印间隔 | 每训练 10 个批次，打印一次训练日志（loss、lr 等） |
save_model_dir |
模型保存目录 | 训练过程中生成的模型文件会保存到 ./output/PP-OCRv5_server_det |
save_epoch_step |
模型保存间隔 | 每训练 10 个 epoch，保存一次模型权重 |
eval_batch_step |
评估间隔 | [0, 1500] 表示：从第 0 个 epoch 开始，每训练 1500 个批次，对验证集评估一次 |
cal_metric_during_train |
训练中计算指标 | false 表示训练时不计算精度 / 召回率（提升训练速度），仅在 eval 阶段计算 |
checkpoints |
断点续训路径 | 空值表示从头训练，若填路径则从指定断点恢复训练 |
pretrained_model |
预训练模型路径 | 使用 PPHGNetV2_B4 预训练权重初始化模型（迁移学习，提升训练效果） |
save_inference_dir |
推理模型保存路径 | 空值表示训练时不导出推理模型，训练完成后可单独导出 |
use_visualdl |
可视化工具 | false 关闭 VisualDL（Paddle 可视化工具），true 可实时查看 loss / 指标曲线 |
infer_img |
测试推理图片 | 训练中若需快速测试模型效果，指定单张测试图片路径 |
save_res_path |
推理结果保存路径 | 测试推理的结果（如检测框坐标）保存到该文件 |
distributed |
分布式训练 | true 启用多卡分布式训练（需多 GPU 环境），false 单卡训练 |
二、Architecture（模型结构）
定义文本检测模型的网络结构，PP-OCRv5 基于 DB（Differentiable Binarization）算法。
| 参数 | 含义 | 取值说明 |
|---|---|---|
model_type |
模型类型 | det 表示检测模型（OCR 分为 det 检测、rec 识别） |
algorithm |
检测算法 | DB 是 PaddleOCR 主流的文本检测算法（可微分二值化） |
Transform |
数据变换层 | 空值表示不使用额外变换层 |
Backbone.name |
骨干网络 | PPHGNetV2_B4 是 PP-OCRv5 主推的骨干网络（轻量且精度高），det: True 适配检测任务 |
Neck.name |
颈部网络 | LKPAN 是 DB 算法的特征融合模块，out_channels: 256 输出特征通道数，intracl: true 启用 intra-class 注意力 |
Head.name |
检测头 | PFHeadLocal 是 PP-OCRv5 的检测头，k: 50 是 DiceLoss 的参数，mode: "large" 适配大尺寸文本 |
三、Loss（损失函数）
定义模型训练的损失计算方式，DB 算法的损失由多部分组成。
| 参数 | 含义 | 取值说明 |
|---|---|---|
name |
损失函数名称 | DBLoss 是 DB 算法的专用损失（包含二值化损失 + 分割损失） |
balance_loss |
平衡损失权重 | true 自动平衡不同损失的权重，避免某类损失占主导 |
main_loss_type |
主损失类型 | DiceLoss 是分割任务常用损失（适合文本区域分割） |
alpha/beta |
损失权重系数 | 调整不同损失分支的权重（alpha=5 对应二值化损失，beta=10 对应分割损失） |
ohem_ratio |
难例挖掘比例 | 3 表示只计算 hardest 3:1 比例的负样本损失（提升模型对难例的学习能力） |
四、Optimizer（优化器）
定义模型参数的优化策略，控制模型如何更新权重。
| 参数 | 含义 | 取值说明 |
|---|---|---|
name |
优化器类型 | Adam 是主流的自适应学习率优化器（比 SGD 收敛更快） |
beta1/beta2 |
Adam 超参数 | 动量相关参数，默认 0.9 和 0.999（无需修改） |
lr.name |
学习率策略 | Cosine 余弦退火学习率（先升后降，适合长周期训练） |
learning_rate |
初始学习率 | 0.001（8 卡分布式训练的推荐值，单卡需按比例降低，如 0.000125） |
warmup_epoch |
热身轮数 | 2 表示前 2 个 epoch 学习率从低到高线性上升（避免初始 lr 过高导致训练不稳定） |
regularizer.name |
正则化方式 | L2 正则化（权重衰减），防止模型过拟合 |
factor |
正则化系数 | 1e-6 是权重衰减系数（值越小，正则化约束越弱） |
五、PostProcess（后处理）
模型输出预测结果后，将特征图转换为文本检测框的过程。
| 参数 | 含义 | 取值说明 |
|---|---|---|
name |
后处理方法 | DBPostProcess 是 DB 算法的专用后处理 |
thresh |
二值化阈值 | 0.3 表示将预测概率图大于 0.3 的区域视为文本区域 |
box_thresh |
检测框置信度阈值 | 0.6 过滤掉置信度低于 0.6 的检测框（减少误检） |
max_candidates |
最大候选框数 | 1000 限制单张图最多生成 1000 个候选框（防止内存溢出） |
unclip_ratio |
框膨胀系数 | 1.5 将检测框向外膨胀 1.5 倍（弥补文本区域收缩，避免框住不全） |
六、Metric（评估指标）
定义验证集的评估标准，衡量模型性能。
| 参数 | 含义 | 取值说明 |
|---|---|---|
name |
评估方法 | DetMetric 是文本检测的标准评估方法 |
main_indicator |
核心评估指标 | hmean 是 Precision（精确率）和 Recall（召回率）的调和平均（F1-score），是检测任务的核心指标 |
七、Train（训练集配置）
定义训练集的数据加载、数据增强等流程。
7.1 dataset（数据集配置）
| 参数 | 含义 | 取值说明 |
|---|---|---|
name |
数据集类型 | SimpleDataSet 是 PaddleOCR 通用的数据集加载类 |
data_dir |
图片根目录 | 训练图片的存放路径 |
label_file_list |
标签文件路径 | 训练集标签文件（每行格式：图片名\t文本框坐标\t是否忽略） |
ratio_list |
数据采样比例 | [1.0] 表示使用 100% 的训练数据 |
transforms |
数据增强 / 预处理流程 | 按顺序执行以下操作：- DecodeImage：解码图片（BGR 模式，通道在后）- DetLabelEncode：编码检测标签（转换为模型可识别格式）- CopyPaste：文本复制粘贴增强（空值表示关闭）- IaaAugment：基于 imgaug 的数据增强（随机水平翻转、旋转 ±10°、缩放 0.5-3 倍）- EastRandomCropData：随机裁剪图片到 640×640（最多尝试 50 次，保持宽高比）- MakeBorderMap：生成边界概率图（用于计算边界损失）- MakeShrinkMap：生成文本区域收缩图（核心分割标签）- NormalizeImage：归一化（减均值、除标准差，符合预训练模型输入要求）- ToCHWImage：将图片格式从 HWC 转为 CHW（Paddle 要求的输入格式）- KeepKeys：保留模型训练所需的关键字段（图片、各类标签） |
7.2 loader（数据加载器）
| 参数 | 含义 | 取值说明 |
|---|---|---|
shuffle |
打乱数据 | true 每 epoch 打乱训练集顺序（避免模型过拟合） |
drop_last |
丢弃最后不完整批次 | false 保留最后一个不足 batch_size 的批次（true 会丢弃，适合严格对齐批次的场景） |
batch_size_per_card |
单卡批次大小 | 8 表示每张 GPU 每次加载 8 张图片（批次越大，训练越稳定，但显存占用越高） |
num_workers |
数据加载线程数 | 8 启用 8 个线程加载数据（加速数据读取，避免 GPU 等待 CPU） |
八、Eval（验证集配置）
定义验证集的数据加载流程（无数据增强，仅基础预处理）。
8.1 dataset（数据集配置）
| 参数 | 含义 | 取值说明 |
|---|---|---|
transforms |
预处理流程 | 与训练集的区别：- 无数据增强（IaaAugment/Crop 等）- DetResizeForTest：测试时统一缩放图片（保持比例）- 保留 polys（真实框坐标）、ignore_tags（是否忽略）用于计算指标 |
8.2 loader（数据加载器）
| 参数 | 含义 | 取值说明 |
|---|---|---|
shuffle |
打乱数据 | false 验证集无需打乱（按顺序评估即可） |
batch_size_per_card |
单卡批次大小 | 1 验证集批次大小为 1（确保评估精度，避免批次维度干扰） |
num_workers |
数据加载线程数 | 2 验证集数据量小，线程数可减少 |
九、其他参数
| 参数 | 含义 | |
|---|---|---|
profiler_options |
性能分析选项 | 空值表示关闭性能分析（调试时可开启，分析训练瓶颈） |
PP-OCRv5_server_rec.yml
一、Global（全局配置）
控制文本识别模型训练的整体流程和基础参数，是整个训练的 "总开关"。
| 参数 | 含义 | 取值说明 |
|---|---|---|
model_name |
模型名称 | 指定 PP-OCRv5_server_rec 静态识别模型，标识训练的模型版本 |
debug |
调试模式 | false 关闭调试（生产训练建议），true 输出更多调试日志 |
use_gpu |
GPU 启用开关 | true 用 GPU 训练（识别模型对 GPU 依赖高，CPU 训练极慢） |
epoch_num |
训练总轮数 | 75 表示模型遍历训练集 75 次（识别模型训练轮数远少于检测，因收敛更快） |
log_smooth_window |
日志平滑窗口 | 计算 20 个批次的平均指标（如 loss），让日志曲线更平稳 |
print_batch_step |
日志打印间隔 | 每训练 10 个批次打印一次 loss、lr、准确率等日志 |
save_model_dir |
模型保存目录 | 训练权重保存到 ./output/PP-OCRv5_server_rec |
save_epoch_step |
模型保存间隔 | 每训练 1 个 epoch 保存一次模型（识别模型迭代快，频繁保存便于选最优模型） |
eval_batch_step |
评估间隔 | [0, 2000]：从第 0 个 epoch 开始，每 2000 个批次评估一次验证集 |
cal_metric_during_train |
训练中计算指标 | true 训练时同步计算识别准确率（方便实时监控效果，检测模型常关闭以提速） |
calc_epoch_interval |
按 epoch 评估间隔 | 1 每 1 个 epoch 强制评估一次（补充批次级评估） |
pretrained_model |
预训练模型路径 | 空值表示从头训练，填路径则加载预训练权重（推荐使用，提升收敛速度） |
checkpoints |
断点续训路径 | 空值表示从头训练，填路径则从指定断点恢复训练 |
save_inference_dir |
推理模型保存路径 | 空值表示训练时不导出，训练完成后可单独导出为推理模型 |
use_visualdl |
可视化工具 | false 关闭 VisualDL，true 可可视化 loss / 准确率曲线 |
infer_img |
测试推理图片 | 训练中快速测试模型识别效果的单张图片路径 |
character_dict_path |
字符字典路径 | ./ppocr/utils/dict/ppocrv5_dict.txt 是识别字符的字典文件（包含数字、字母、中文等） |
max_text_length |
最大文本长度 | 25（YAML 锚点 &max_text_length 供其他模块复用），限制识别文本的最大字符数，超过则截断 |
infer_mode |
推理模式 | false 表示训练模式，true 为纯推理模式（关闭训练相关逻辑） |
use_space_char |
是否识别空格 | true 支持识别文本中的空格（如 "AB CD"），false 则忽略空格 |
distributed |
分布式训练 | true 启用多卡分布式训练（多 GPU 环境必备） |
save_res_path |
推理结果保存路径 | 测试推理的识别结果（如 "图片名 \t 识别文本"）保存到该文件 |
d2s_train_image_shape |
训练图片尺寸 | [3, 48, 320] 表示通道数 3、高度 48、宽度 320（识别模型固定输入尺寸） |
二、Optimizer（优化器）
控制模型参数的更新策略，是模型收敛的核心配置。
| 参数 | 含义 | 取值说明 |
|---|---|---|
name |
优化器类型 | Adam 自适应学习率优化器（识别模型首选，收敛快、稳定性高） |
beta1/beta2 |
Adam 超参数 | 动量相关参数，0.9/0.999 是业界通用值（无需修改） |
lr.name |
学习率策略 | Cosine 余弦退火学习率（先热身上升，后余弦下降，适合识别模型短周期训练） |
learning_rate |
初始学习率 | 0.0005（分布式训练推荐值，单卡需按 batch_size 比例降低，如 0.0000625） |
warmup_epoch |
热身轮数 | 1 前 1 个 epoch 学习率从低到高线性上升（避免初始 lr 过高导致训练震荡） |
regularizer.name |
正则化方式 | L2 权重衰减（防止模型过拟合） |
factor |
正则化系数 | 3.0e-05 权重衰减系数（值越小，正则化约束越弱，识别模型系数通常比检测小） |
三、Architecture（模型结构）
定义 PP-OCRv5 文本识别模型的网络结构，核心是 SVTR_HGNet 算法。
| 参数 | 含义 | 取值说明 |
|---|---|---|
model_type |
模型类型 | rec 表示识别模型（区别于检测 det） |
algorithm |
识别算法 | SVTR_HGNet 是 PP-OCRv5 主推的识别算法（基于 SVTR 结构 + PPHGNetV2 骨干） |
Transform |
数据变换层 | 空值表示不使用额外变换层 |
Backbone.name |
骨干网络 | PPHGNetV2_B4 轻量高性能骨干网络，text_rec: True 适配文本识别任务（调整网络输出适配序列建模） |
Head.name |
识别头 | MultiHead 多输出头（同时包含 CTCHead 和 NRTRHead，提升识别精度） |
Head.head_list[0].CTCHead |
CTC 识别头 | 工业界主流的识别头（无需对齐字符，鲁棒性强）：- Neck.name: svtr：SVTR 特征提取模块- dims: 120：SVTR 维度- depth: 2：SVTR 层数- hidden_dims: 120：隐藏层维度- kernel_size: [1, 3]：卷积核尺寸- use_guide: True：启用引导注意力机制（提升长文本识别效果）- Head.fc_decay: 0.00001：全连接层权重衰减系数 |
Head.head_list[1].NRTRHead |
NRTR 识别头 | 辅助识别头（基于注意力机制，提升复杂文本识别精度）：- nrtr_dim: 384：NRTR 维度- max_text_length: *max_text_length：复用全局配置的最大文本长度 |
四、Loss（损失函数）
定义模型训练的损失计算方式，多识别头对应多损失。
| 参数 | 含义 | 取值说明 |
|---|---|---|
name |
损失函数名称 | MultiLoss 多损失函数（对应 MultiHead 多识别头） |
loss_config_list |
损失配置列表 | - CTCLoss：CTC 损失（对应 CTCHead，识别任务核心损失）- NRTRLoss：NRTR 损失（对应 NRTRHead，辅助损失）注：MultiLoss 会自动融合两种损失，提升模型泛化能力 |
五、PostProcess（后处理）
将模型输出的概率分布转换为最终识别文本的过程。
| 参数 | 含义 | 取值说明 |
|---|---|---|
name |
后处理方法 | CTCLabelDecode 基于 CTC 算法的标签解码（将模型输出的序列概率转换为字符） |
六、Metric（评估指标）
定义验证集的评估标准，衡量识别模型的性能。
| 参数 | 含义 | 取值说明 |
|---|---|---|
name |
评估方法 | RecMetric 文本识别专用评估方法 |
main_indicator |
核心评估指标 | acc 识别准确率（正确识别的样本数 / 总样本数，识别任务的核心指标） |
七、Train（训练集配置）
定义训练集的数据加载、数据增强等流程（识别模型数据增强更轻量）。
7.1 dataset（数据集配置）
| 参数 | 含义 | 取值说明 |
|---|---|---|
name |
数据集类型 | MultiScaleDataSet 多尺度数据集加载类（支持不同尺寸图片输入） |
ds_width |
固定宽度 | false 不固定宽度（配合多尺度采样） |
data_dir |
图片根目录 | 训练图片存放路径 |
ext_op_transform_idx |
扩展增强索引 | 1 指定数据增强的执行位置（内部参数，无需修改） |
label_file_list |
标签文件路径 | 训练集标签文件（每行格式：图片名\t真实文本） |
transforms |
数据预处理 / 增强流程 | 按顺序执行：- DecodeImage：解码图片（BGR 模式，通道在后）- RecAug：识别专用数据增强（如随机模糊、亮度调整、透视变换等，提升鲁棒性）- MultiLabelEncode：多标签编码（同时生成 CTC 和 NRTR 所需标签，gtc_encode: NRTRLabelEncode 指定 NRTR 标签编码方式）- KeepKeys：保留训练所需字段（图片、CTC 标签、NRTR 标签、文本长度、有效比例） |
7.2 sampler（采样器）
| 参数 | 含义 | 取值说明 |
|---|---|---|
name |
采样器类型 | MultiScaleSampler 多尺度采样器（随机选择图片尺寸，提升模型对不同尺寸文本的适应性） |
scales |
采样尺寸列表 | [[320, 32], [320, 48], [320, 64]] 随机选择宽度 320、高度 32/48/64 的尺寸（模拟不同高度的文本） |
first_bs |
初始批次大小 | 128（YAML 锚点 &bs 供 loader 复用），多尺度采样的初始批次大小 |
fix_bs |
固定批次大小 | false 不固定批次大小（适配多尺度采样） |
divided_factor |
尺寸整除因子 | [8, 16] 宽度 / 高度需分别被 8/16 整除（保证模型下采样后尺寸为整数） |
is_training |
训练模式 | True 采样器适配训练场景（打乱、多尺度） |
7.3 loader（数据加载器）
| 参数 | 含义 | 取值说明 |
|---|---|---|
shuffle |
打乱数据 | true 每 epoch 打乱训练集（避免模型过拟合） |
batch_size_per_card |
单卡批次大小 | 128（复用锚点 &bs），每张 GPU 每次加载 128 张图片（识别模型显存占用低，可设较大批次） |
drop_last |
丢弃最后批次 | true 丢弃最后一个不足 batch_size 的批次（保证批次完整性，提升训练稳定性） |
num_workers |
加载线程数 | 16 启用 16 个线程加载数据（识别数据量通常大，多线程加速读取） |
八、Eval（验证集配置）
定义验证集的数据加载流程（无数据增强，固定尺寸）。
8.1 dataset（数据集配置）
| 参数 | 含义 | 取值说明 |
|---|---|---|
name |
数据集类型 | SimpleDataSet 通用数据集加载类（验证集无需多尺度） |
data_dir |
图片根目录 | 验证集图片存放路径 |
label_file_list |
标签文件路径 | 验证集标签文件 |
transforms |
预处理流程 | 与训练集的区别：- 无 RecAug 数据增强（保证评估准确性）- RecResizeImg：固定调整图片尺寸为 [3, 48, 320]（与训练最终尺寸一致）- 保留标签字段用于计算准确率 |
8.2 loader（数据加载器）
| 参数 | 含义 | 取值说明 |
|---|---|---|
shuffle |
打乱数据 | false 验证集无需打乱（按顺序评估即可） |
batch_size_per_card |
单卡批次大小 | 128 验证集批次大小与训练集一致（提升评估速度） |
drop_last |
丢弃最后批次 | false 保留最后批次（不遗漏验证样本） |
num_workers |
加载线程数 | 4 验证集数据量小，减少线程数（节省资源） |
模型训练：
文本检测--模型训练命令：
python
#单卡训练 (默认训练方式)
python3 tools/train.py -c configs/det/PP-OCRv5/PP-OCRv5_server_det.yml \
-o Global.pretrained_model=./PP-OCRv5_server_det_pretrained.pdparams \
Train.dataset.data_dir=./ocr_det_dataset_examples \
Train.dataset.label_file_list='[./ocr_det_dataset_examples/train.txt]' \
Eval.dataset.data_dir=./ocr_det_dataset_examples \
Eval.dataset.label_file_list='[./ocr_det_dataset_examples/val.txt]'
#多卡训练，通过--gpus参数指定卡号
python3 -m paddle.distributed.launch --gpus '0,1,2,3' tools/train.py \
-c configs/det/PP-OCRv5/PP-OCRv5_server_det.yml \
-o Global.pretrained_model=./PP-OCRv5_server_det_pretrained.pdparams \
Train.dataset.data_dir=./ocr_det_dataset_examples \
Train.dataset.label_file_list='[./ocr_det_dataset_examples/train.txt]' \
Eval.dataset.data_dir=./ocr_det_dataset_examples \
Eval.dataset.label_file_list='[./ocr_det_dataset_examples/val.txt]'文本识别--模型训练命令：
python
#单卡训练 (默认训练方式)
python3 tools/train.py -c configs/rec/PP-OCRv5/PP-OCRv5_server_rec.yml \
-o Global.pretrained_model=./PP-OCRv5_server_rec_pretrained.pdparams
#多卡训练，通过--gpus参数指定卡号
python3 -m paddle.distributed.launch --gpus '0,1,2,3' tools/train.py -c configs/rec/PP-OCRv5/PP-OCRv5_server_rec.yml \
-o Global.pretrained_model=./PP-OCRv5_server_rec_pretrained.pdparams模型训练脚本：
python
#!/bin/bash
# 脚本名称：model_train.sh
# 功能：执行PaddleOCR表格检测模型训练
# 依赖：已安装PaddleOCR环境和相关依赖包
# 训练命令（保持原始参数不变）
# Global.pretrained_model：预训练模型路径
# Train.dataset.data_dir：训练集路径
# Train.dataset.label_file_list：训练集标签路径
# Eval.dataset.data_dir：验证集路径
# Eval.dataset.label_file_list：验证集标签路径
# Global.save_model_dir：训练完模型保存路径
# PP-OCRv5_server_det
python3 tools/train.py -c configs/det/PP-OCRv5/PP-OCRv5_server_det.yml \
-o Global.pretrained_model=/xxx/PP-OCRv5_server_det_pretrained.pdparams \
Train.dataset.data_dir=/xxx/det/train \
Train.dataset.label_file_list='[/xxx/det/train.txt]' \
Eval.dataset.data_dir=/xxx/det/val \
Eval.dataset.label_file_list='[/xxx/det/val.txt]' \
Global.save_model_dir=/xxx/det/output
# PP-OCRv5_server_rec
python3 tools/train.py -c configs/rec/PP-OCRv5/PP-OCRv5_server_rec.yml \
-o Global.pretrained_model=/xxx/PP-OCRv5_server_rec_pretrained.pdparams \
Train.dataset.data_dir=/xxx/rec/train \
Train.dataset.label_file_list='[/xxx/rec/train.txt]' \
Eval.dataset.data_dir=/xxx/rec/val \
Eval.dataset.label_file_list='[/xxx/rec/val.txt]' \
Global.save_model_dir=/xxx/rec/output
# 检查命令执行状态
if [ $? -eq 0 ]; then
echo "======================================"
echo "训练任务执行完成！"
echo "======================================"
else
echo "======================================"
echo "训练任务执行失败！请检查错误信息"
echo "======================================"
exit 1
fi模型评估：
您可以评估已经训练好的权重，如，output/PP-OCRv5_server_det/best_accuracy.pdprams
文本检测--模型评估命令：
python
# 注意将pretrained_model的路径设置为本地路径。若使用自行训练保存的模型，请注意修改路径和文件名为{path/to/weights}/{model_name}。
# demo 测试集评估
python3 tools/eval.py -c configs/det/PP-OCRv5/PP-OCRv5_server_det.yml \
-o Global.pretrained_model=output/PP-OCRv5_server_det/best_accuracy.pdparams \
Eval.dataset.data_dir=./ocr_det_dataset_examples \
Eval.dataset.label_file_list='[./ocr_det_dataset_examples/val.txt]'文本识别--模型评估命令：
python
#注意将pretrained_model的路径设置为本地路径。若使用自行训练保存的模型，请注意修改路径和文件名为{path/to/weights}/{model_name}。
#demo 测试集评估
python3 tools/eval.py -c configs/rec/PP-OCRv5/PP-OCRv5_server_rec.yml -o \
Global.pretrained_model=output/xxx/xxx.pdparams模型导出
文本检测--模型导出命令：
python
python3 tools/export_model.py -c configs/det/PP-OCRv5/PP-OCRv5_server_det.yml -o \
Global.pretrained_model=output/PP-OCRv5_server_det/best_accuracy.pdparams \
Global.save_inference_dir="./PP-OCRv5_server_det_infer/"文本识别--模型导出命令：
python
python3 tools/export_model.py -c configs/rec/PP-OCRv5/PP-OCRv5_server_rec.yml -o \
Global.pretrained_model=output/xxx/xxx.pdparams \
Global.save_inference_dir="./PP-OCRv5_server_rec_infer/"模型导出脚本：
python
#!/bin/bash
# 脚本名称：model_export.sh
# 功能：执行PaddleOCR表格检测模型转换
# 依赖：已安装PaddleOCR环境和相关依赖包
# 训练命令（保持原始参数不变）
# Global.pretrained_model:训练完模型路径
# Global.save_inference_dir：静态图模型导出到的路径
#PP-OCRv5_server_det
python3 tools/export_model.py -c configs/det/PP-OCRv5/PP-OCRv5_server_det.yml -o \
Global.pretrained_model=/xxx/det/best_accuracy.pdparams \
Global.save_inference_dir="/xxx/output/det/export_model/"
#PP-OCRv5_server_rec
python3 tools/export_model.py -c configs/rec/PP-OCRv5/PP-OCRv5_server_rec.yml -o \
Global.pretrained_model=/xxx/rec/best_accuracy.pdparams \
Global.save_inference_dir="/xxx/output/rec/export_model/"
# 检查命令执行状态
if [ $? -eq 0 ]; then
echo "======================================"
echo "导出任务执行完成！"
echo "======================================"
else
echo "======================================"
echo "导出任务执行失败！请检查错误信息"
echo "======================================"
exit 1
fi导出模型后，静态图模型会存放于当前目录的./PP-OCRv5_server_rec_infer/中，在该目录下，您将看到如下文件：
./PP-OCRv5_server_rec_infer/
├── inference.json
├── inference.pdiparams
├── inference.yml