展开本页目录
开始前准备什么
- 下载到独立练习目录，保留原始输入副本。
- 模型步骤使用自己的已验证配置；离线检查不需要 API Key。
- 先阅读 README 中的运行范围；练习数据均为原创。
- 保存原图与人工转录
- 按官方参数准备独立环境
- 运行真实 OCR 脚本
- 逐行核对文字
- 核对坐标与导出
- 读取文件检查而非只看截图
- 保存来源与错误样本
原创输入、可运行脚本、预期对照、截图原始 HTML 与验证记录。
对应本页任务与验证范围。
真实输入图片，不包含识别结果。
人工预期，不是 OCR 结果。
调用官方 predict/save_to_json，未在本批运行。
核对实际 JSON 的文字覆盖，字框需对原图目检。
1. 保存原图与人工转录
source.png 是原创扫描练习，expected.json 是人工转录与字框示意，不是模型输出。
2. 按官方参数准备独立环境
在自己的独立 Python 环境按 PaddleOCR 官方安装页安装 PaddlePaddle 与 paddleocr。run-ocr.py 固定使用 CPU 和移动检测/识别模型，不开启方向分类和去畸变。首次推理需要下载模型，本批没有执行该步骤。
3. 运行真实 OCR 脚本
执行 run-ocr.py；脚本调用 PaddleOCR.predict 并保存官方 raw JSON 和可视化，失败时停止。
4. 逐行核对文字
对照原图检查 CUP-A、2、12.50 和 25.00，不自动纠正金额；缺行要回看原图。
5. 核对坐标与导出
先在官方输出图片上检查字框；如果坐标或行序异常，记录原始 JSON，不只导出纯文本。
6. 读取文件检查而非只看截图
check-output.py 从真实输出文件读取内容；删除行、调换段落或去掉空格位都应被拒绝。本批未执行 PaddleOCR 推理；已检查原创输入与人工转录关系，模型输出和字框须自行实跑。
text
python3 run-ocr.py
python3 check-output.py ocr-output/source_res.json
7. 保存来源与错误样本
保留 source.pdf/source.png、原始 JSON、软件版本和人工核对记录。自动结构检查只验证本教材约定，仍需检查布局与语义。
怎样确认已经完成
- 文字、数字与原输入逐项对应，人工预期和实际运行输出分开。
- 输出来源可以回查原图/PDF；漏行、错序、空格位移不能忽略。
- 本批未执行 PaddleOCR 推理；已检查原创输入与人工转录关系，模型输出和字框须自行实跑。
常见问题
可以把人工预期当识别结果下载吗？
不可以。expected.json 是核对基准；只有实际工具运行得到的 output/document.json 才是本次推理输出，必须分别保存。
结构检查通过代表所有内容正确吗？
不代表。脚本只验证约定的文字、顺序、字段与来源，真实文档中的版面、标点、表格合并格和其他语义仍要对照原文。