功能流程

第一階段 基于現有條件進行 調研,測試與評估

全部先使用 預訓練完成的模型(本地進行測試,評估后進行二階段訓練微調)

1.1 ocr深度學習模型 pp-ocr

1. 了解 百度開源模型 pp-ocr
2. 先在windows上使用預訓練模型 可先選cpu版本查看執行效果
3. 下載nlp自然語言模型進行json格式化輸出
4. 模型評估: 上述結果不能滿足業務需求, 進行第二階段

1.2 nlp結構化模型

先選: DD-Parse(盡量先使用百度pp全家桶)

1.3 硬件要求:

先基于現有電腦進行測試, 不滿足在升級

第二階段 模型訓練微調

官方明確說明 windows僅支持推理,不支持訓練
解決方案: linux部署 或者 WSL2或Docker方案解決

2.1 更換ocr-GPU模型, 下載相關環境

2.2 nlp模型 語義訓練

2.3 最低硬件要求:

cpu i7 /i5 等都可以(滿足: x64/ Intel 64/ AMD64 即可) 核心數要多 
內存 32g(最低) 不然訓練時候會頻繁報錯
顯存: 8g - 12g 太小訓練效率低
硬盤: 512g/1T(推薦)

2.4 樣本數據: (重點)

3000-5000, 需要進行數據標注,進行 監督學習

2.5 進一步增強模型能力

• 可通過用戶反饋進行學習訓練
• 對模型的性能 準確率進行評估

2.5 python語言類庫 (深度學習框架)

python --version: 3.8/3.9/3.10/3.11/3.12/3.13
pip 版本為 20.2.2 或更高版本
Python 和 pip 是 64bit，并且處理器架構是 x86_64（或稱作 x64、Intel 64、AMD64）架構

paddleocr 3.0
shapely
pyclipper
lmdb
tqdm
sklearn
requirements.txt (將版本寫清楚,工程初始化用) 

第三階段: 結果

1. 微調后的PP-OCR檢測/識別模型（.pdparams）
2. API接口封裝文檔（FastAPI部署方案）
3. 訓練的python項目代碼

注意事項

1. 需要對錯誤數據進行記錄(用戶反饋等)
2. 持續的進行訓練 直到達到模型評估的標注,滿足業務要求
3. 模型安裝的安全性以及用戶隱私數據的保護

至此, 醫療領域-此方向的專屬ocr大模型就完成了

如果后續需要拓展升級, 再出相關方案 windows版本官方文檔上不支持