做OCR项目，真正劝退人的往往不是模型选型，而是标注。之前做个票据识别的小项目，整批图片里有表格线、印章、倾斜文字和低对比度字迹，一开始用通用标注工具拖矩形框、手敲文本，一个小时只能出二十来张图，眼睛全是黢黑。后来换成PPOCRLabel，先用模型自动把检测框和识别结果跑一遍，人工再修正和确认，同一批数据直接缩到三分之一的工作量。这篇文章我就把这套流程完整写下来：怎么装上、怎么启动、怎么把一张图从打开到导出标注，以及格式和训练集怎么对接，最后还有我自己踩过的几个坑，给正在做OCR数据准备的人一份可以直接照着操作的参考。

1. 标注，是OCR项目里最容易被低估的环节

1.1 公开数据集和真实业务数据的错位

很多人一开始做OCR，习惯直接拿公开数据集训练，比如各种打印体、标准排版、街景文字之类的评测集。这类数据确实干净，文字区域工整、背景简单、方向一致。但放到实际项目里，情况马上不一样：票据上有红章压着汉字，快递面单上字体小而且排列紧密，屏幕截图里还有深色底纹，铭牌照片拍出来是斜的，再加上反光、污渍、贴纸。你在公开模型上看到“精度很高”，换到真实场景就崩掉，就是因为训练数据和你业务数据分布不一样。

这时候唯一的出路就是拿一批真实图片做域内标注，让模型知道你的场景长什么样。标注这件事在整个OCR流程里其实占了相当大比重，不只是“画个框”那么简单，检测框怎么画、文本怎么转写、难例怎么处理，都会直接影响后面的训练效果。而我为什么选PPOCRLabel，而不是那些更通用的标注工具，下一节说清楚。

1.2 PPOCRLabel在同类工具里的生态位

市面上能用的标注工具不少，常见的是LabelImg和Labelme，还有商业平台。我拿自己实际用过的感受对比一下：

LabelImg拖框很快，但只有轴对齐矩形，遇到倾斜文字就没法标；Labelme能画多边形，但画完还得自己写脚本转成OCR训练格式，而且没有模型辅助，效率低。PPOCRLabel是PaddleOCR生态里的标注工具，最大的区别是它直接把检测模型和识别模型接进了标注流程：图片打开，它可以先框出一组候选文本区域，再对每个框给出预测文本，人工只需要在候选结果上做删减、修改和确认。这不止是省了画框的力气，连键盘输入也省掉一大截。

我用的版本是PaddleOCR仓库里自带的那套，它可以导出后面训练直接能用的数据集结构。商业标注平台我也试过几个，流程确实完善，但自定义字段和格式导出有时候还被平台限制，而且涉及数据安全，很多项目的图片根本不方便传到云端。PPOCRLabel本地运行，离线工作，这点对所有有保密要求的业务都非常友好。

1.3 半自动标注的现实收益

半自动标注到底省多少，我觉得不能只看“省了多少分钟”，得看整条流水线。假设一张图里有六个需要标注的文本区域，全手动标注要做的事情是：画六个框、输入六段文本、检查六个框是否漏掉、保存。每一步都有人工操作，一张图两分钟很正常。

用PPOCRLabel以后，正常清晰图片上模型自动检测基本能覆盖九成以上区域，人工做的事变成：把漏掉的框补上，把歪的角点拖正，把自动识别出来但错的文本改掉，再把多余的误检框删掉。熟练以后，一张图三十到五十秒能完成，遇到质量更差的图片会慢一些。而且当模型在标注过程中反复接收人工修正结果，我往往会每隔一段时间重新生成一次检测模型，效果会继续变好，标注速度会进一步上升。这个正循环才是它真正值得用的地方。

2. 环境准备阶段，我最想提前告诉你的三件事

2.1 安装步骤和版本选择

安装PPOCRLabel之前，先确认机器上有没有Python环境。个人经验是尽量用conda建一个干净的环境，避免和系统自带的Python互相污染。我一般这么建：

conda create -n paddle python=3.9 -y conda activate paddle pip install paddlepaddle -i https://pypi.tuna.tsinghua.edu.cn/simple git clone https://github.com/PaddlePaddle/PaddleOCR.git cd PaddleOCR pip install -r requirements.txt cd PPOCRLabel python PPOCRLabel.py --lang ch

这里有个容易被忽略的地方：paddlepaddle是CPU版本，如果你的机器有NVIDIA显卡，想标注大图更流畅，应该装GPU版，比如paddlepaddle-gpu。PPOCRLabel的自动检测和识别都要跑模型，CPU也能跑，但大图多的时候明显吃力，GPU能让体验提升一个档次。

版本选择上，我的建议是不要盲目追最新，先看你目标训练生态的PaddleOCR版本。仓库不同分支可能对应不同版本，启动脚本的参数也会有细微变化。之前看到有人拿新版的预训练模型放到旧版工具里用，结果检测框出不来，其实是模型结构不匹配，不是代码问题。如果你只想标注数据不研究新特性，选择和你训练计划一致的分支最省心。

2.2 模型文件从哪里来

PPOCRLabel第一次启动时，会用到一个检测模型和一个识别模型，默认会根据--lang ch参数决定下载中文模型。模型文件会放在用户目录的.paddleocr文件夹下面，具体路径根据版本不同略有差异。

如果你的网络环境不太稳定，模型下载可能失败，程序会一直卡在“下载模型”的界面。这时候别干等，直接手动把对应模型文件下载好，放到它期望的目录下再启动。我常用的做法是先让它启动一次，然后从日志里看它具体去哪个路径找模型，再把模型压缩包解压到那个路径下面，重新启动程序。需要注意模型文件名和目录层级都不能随意改动，否则程序识别不出来。

2.3 启动失败最常见的几种情况

我帮朋友看过的启动问题，基本集中在下面几个：

这些看起来都是小问题，但每一个都能让人折腾半天。最稳妥的做法是严格按照仓库文档的依赖安装，不要跳过任何一条。尤其是只用pip install paddleocr而不clone仓库的同学，后面启动PPOCRLabel经常缺这缺那，我实际用下来还是clone源码最完整。

3. 第一次完整标注流程，从打开图片到导出标注

3.1 图片目录的准备

启动PPOCRLabel后，左侧是图片列表，右侧是两个面板，一个放检测框候选列表，另一个放识别文本输入。第一次使用，建议先把图片整理到一个干净的文件夹里，图片命名最好规则化，比如001.jpg、002.jpg，不要用特别长的中文名，也不要混合存放不同来源的图片。

图片格式方面，JPG和PNG是最稳的，只要读取没问题基本都可以。要注意的是图片尺寸，如果单张图超过四五千万像素，加载和模型推理都会很慢，建议先对超大图做切片处理，标注完成后再把切片的标注坐标换算回原图。这一步很多人会忽略，结果标注到一半程序卡死，前功尽弃。

3.2 自动检测和人工框选怎么配合

图片打开以后，最省事的操作是先点自动检测。工具会用检测模型把当前图片里看起来像是文字的区域标出来，然后把结果列在右侧列表里。正常情况下，票据、单据这类版式相对固定的图片，检测框命中率很高。

自动检测不可能完全可靠，我的习惯是把它当作“初稿”，然后人工逐条检查。如果发现漏检的区域，用手动框选补上；如果发现误检的区域，比如把印章、条形码、背景纹理框进去了，直接删掉。框选的时候尽量贴着文字边缘，不要留大片空白，也不要切到文字中间，这在后面训练质量里是硬指标。

手动绘制框的时候，PPOCRLabel用的是四点四边形，不是简单的水平矩形。也就是说你可以沿着倾斜文字的方向点出四个角点，框跟着文字走，而不是等图片旋转之后再画。这一点非常重要，因为实际场景里大量文本是倾斜的，用轴对齐矩形会圈进很多干扰像素。

3.3 识别文本：用模型还是手输

框确定以后，右侧要填这段框对应的文本内容。PPOCRLabel可以和识别模型联动，自动把框里的文字识别出来，填到对应的文本框里。此时人工要做的是检查识别结果有没有错字、漏字和多余字符。

我见过很多人偷懒，自动识别出来就不看了，结果训练文本里全是错别字和多余空格，模型精度一路狂跌。正确做法是哪怕自动识别看起来很好，也要对一遍。遇到模糊、低对比度、生僻字、特殊编号，就直接手动输入。手动输入时注意不要带额外的左右空格，标点符号按图片实际内容保留，看不清的字符宁可标注成难例，也不要硬编造一个字符进去。

3.4 快捷键的正确打开方式

PPOCRLabel的快捷键在不同版本之间会有变化，所以我不会给你写一串死键位。你要做的是打开软件后看一眼“帮助”菜单或者界面上悬停提示，先搞清楚当前版本里“创建框、删除框、切换下一张、确认标签”这些动作分别绑在哪些按键上。

我自己的使用习惯是，把最高频的几个动作固定成肌肉记忆：新建框、删除误检框、保存当前标注、切到下一张。这四个动作一天要重复几百次，如果每次都点鼠标菜单，效率会低很多。同样重要的是小心误触，我曾经连续按错键删掉了已经标注好的框，后来养成了每标注完几张就立刻保存一次的习惯。

4. 决定训练效果的标注质量规范

4.1 文本框怎么画才算规范

标注规范这件事，比工具本身更容易被忽略，但它的影响非常直接。检测框画得是否规范，决定了模型在检测阶段能不能把文字区域和背景分开；文本转录是否准确，决定了识别模型能不能学到正确的字符序列。

我订过一套自己的标注规矩，核心原则只有三条：框住文字主体，不要框大背景；一个语义完整的文本区域不要拆成多个框；一行文字有轻微弯曲时，用四个角点尽量贴合文字走向。

举个例子，发票上“金额”两个字，如果你只框“金额”这两个汉字，那没问题，因为这是独立语义；但如果一行文字是“发票号码：12345678”，最合理的做法是整个框住这一行，而不是把“发票号码”和“12345678”拆成两个框。拆框会让模型把局部字符组合当成固定样本，训练出来的识别结果反而不稳定。

4.2 方向、特殊结构到底怎么处理

倾斜是OCR标注里最常遇到的情况。PPOCRLabel支持画四点斜框，所以不用提前旋转图片，但你要保证框内的文本在训练数据里是“可读方向”的。什么意思？就是框里那一串字的阅读顺序，应该和人眼看到的阅读顺序一致，不能左一个右一个乱排。

多行文本的问题要特别小心。如果一个文本框里包含两行文字，我的建议是拆成两个检测框，每行一个，每个框单独转录。因为现在主流OCR识别链路里，检测和识别模型基本按“行”来理解文本，你把多行塞进一个框，识别模型很容易把它当成一整段连续字符来学，效果一般不好。

遇到印章压字、文字被污渍覆盖、或者文本只有一半的情况，我建议不要强行输入完整文本，而是标记成难例。PPOCRLabel的导出格式里保留了difficult字段，把这类样本标出来，训练时可以对这些难例做特殊处理，提升模型在复杂场景下的鲁棒性。

4.3 空转录和错转录是最大的隐性雷区

标注数据里最隐蔽的问题不是框画歪了，而是有些框的转录文本是空的，或者文本里混入了不可见字符。空转录常见于自动检测后漏掉了识别环节，你在检查框的时候没注意到右侧文本框是空的就保存了；不可见字符则常见于文本在中间环节被复制粘贴过，混入了制表符、换行符和全角空格。

我写了一个最简单的校验脚本，在导出后扫描一遍数据，把所有“有框但没有转录文本”的样本找出来，这个动作已经救过我很多次。脚本核心思路就是逐行读取标注文件，解析出每个框和转录文本，如果发现转录为空，就打印出对应的图片路径，提醒复查。

import json from pathlib import Path label_file = Path("Label.txt") bad_items = [] for line in label_file.read_text(encoding="utf-8").splitlines(): parts = line.split("\t", 1) if len(parts) < 2: bad_items.append((line, "缺少标注内容")) continue image_path, content = parts[0], parts[1] try: boxes = json.loads(content) except Exception: bad_items.append((image_path, "JSON解析失败")) continue for box in boxes: text = box.get("transcription", "") if not text.strip(): bad_items.append((image_path, "空转录")) print(f"发现 {len(bad_items)} 个可疑样本") for item in bad_items[:30]: print(item)

每次导出前跑一遍这个脚本，能省掉大量返工时间。文本里如果出现肉眼都看不出来的不可见字符，后续训练时报错或字表对不上，排查成本非常高。

5. 导出文件的底层格式与训练管线对接

5.1 一次导出会得到什么

标注工作完成以后，点击导出，工具会在你图片目录下生成一套训练用的数据文件。不同版本导出细节略有差异，但我用到的版本会生成这样几个东西：Label.txt、一个crop_img目录，以及Rec_gt.txt。

Label.txt是检测任务的标注文件，里面维护了图片路径和对应的检测框信息；crop_img目录保存的是每个检测框对应裁剪出来的小图；Rec_gt.txt则是识别任务需要的标注文件，每条包含一张裁剪图片和它对应的文本内容。这套结构基本就是PaddleOCR训练前需要的输入雏形。

5.2 检测训练格式怎么对上

PaddleOCR的检测训练通常需要每张图片对应一个或多个检测框，框用四个点的坐标表示，再加上转录文本。PPOCRLabel导出的Label.txt内容大概长这样：

images/001.jpg [{"transcription": "金额", "points": [[56, 88], [210, 88], [210, 118], [56, 118]], "difficult": false}]

在PaddleOCR训练配置里，路径一般指到类似train_data/det_label.txt这样的文件，对应关系就是：前面是图片相对路径，后面是检测框数组的JSON。只要你把导出结果按训练配置的路径管理好，检测阶段数据就能直接用。

这里有一点要提醒：points里的四个坐标顺序要保持一致，建议按左上、右上、右下、左下的顺序。坐标顺序乱掉以后，训练时数据增强里的随机旋转会出问题，模型会学到错误的框走向。

5.3 识别训练格式怎么对上

识别训练需要的是另一种形态的数据：裁剪出来的小图和这段小图上的文字。PPOCRLabel导出时会把每个检测框对应的小图裁剪到crop_img目录，裁剪图和文本之间的对应关系写在Rec_gt.txt里，类似这样：

crop_img/001_0.jpg 金额 crop_img/001_1.jpg 发票号码：12345678

在PaddleOCR识别训练里，你通常还需要准备一个字符集合文件，也就是字典。把标注数据里出现的所有字符收集起来去重，一行一个字符，顺序和训练配置里指定的一致。如果字符集不完整，训练时对应字符就会变成“未定义”，损失直接波动。

5.4 训练集和验证集划分的一条硬规矩

数据集划分最忌讳的是按裁剪图划分。不能把同一张原图裁剪出的多个小图，一部分放进训练集、一部分放进验证集，这会造成严重的数据泄漏，模型验证分数虚高。正确做法是先把原图按比例划分成训练集和验证集，再让每个集合各自对应自己的检测标注和识别标注。

我常用的比例是九比一，如果数据量大，八比二也可以，但至少保证验证集里有足够多的不同原图类型。划分完之后，把Label.txt和Rec_gt.txt对应拆成train和val两份，再交给训练脚本。这个步骤虽然简单，却是最容易让人忽略的坑。

6. 我踩过的坑，希望你不再踩

6.1 自动检测把印章误判成文字

票据类图片里，红色印章和文字叠在一起是最常见的，也是自动检测最容易出问题的。印章的文字会和正文交叉重叠，模型会把印章边缘、发票专用章那几个字一起框出来，或者把正文和印章文字混在同一个框里。

这种场景下，我的经验是不要完全依赖自动检测的框，手动重新框一遍更靠谱。框选时只框完整可读的正文，印章里模糊、重叠、残缺的文字，不要硬转录；如果一段文字确实被印章严重遮挡，鉴于是难例，保留difficult标记。最终模型反而能在检测阶段学会忽略这些干扰框。

6.2 用Excel改标注文本导致JSON解析失败

有一次我图省事，导出Label.txt后用Excel批量替换了一批错字，保存后再回去跑训练，结果程序一直报错。原因是Excel把文本里的英文引号、逗号、花括号都自动做了替换，还把false变成了False，纯文本JSON格式直接被破坏掉了。从那以后我再也不用办公软件碰标注文件，所有文本替换都改成专门的小脚本，用Python处理，编码强制UTF-8，格式不会变。

6.3 长图标注到一半进度全丢

我踩过最痛的一次坑，是标注一批高分辨率长图，一张图里密密麻麻排了二三十个小框。标到一半，软件直接卡死，重开以后发现标注结果没有保存全。后来我调整了策略：高分辨率大图先切成若干小块再标注，切块后的图片最大边长控制在像素范围内，既保证模型推理不卡，也避免单张图片标注文件过大导致保存失败。切完的标注坐标要记得按切片偏移量换算回原图坐标，换算脚本很简单，但换算出的坐标才是训练真正需要的值。

6.4 多人协作时文件管理混乱

如果是团队标注，最忌讳的是多人同时在同一个目录下操作，互相覆盖标注结果。我的做法是把原图按人名或批次分目录，每个人认领独立目录，标注完成后统一合并。合并之前跑一遍校验脚本，检查有没有重复图片、空转录、JSON解析失败这三类问题。合并完的最终文件再按上一节的方式切分训练集和验证集，这样即使某一个目录出问题，也能快速定位回对应批次的标注文件。

在我实际标注数据和模型迭代的过程中，PPOCRLabel真正解决的问题，是把“人工逐字录入”和“模型自动预测”这两个环节自然地接在一起。越是图片质量差、业务场景杂的项目，你对标注格式和标注规范的控制越要细。建议第一次用的时候，先拿二十张图完整走一遍从打开图片到导出数据的流程，确认每个字段的含义之后再批量铺开。这个前期投资，在后续训练排障的时候一定会加倍赚回来。