后端AI 应用NLP【免费下载链接】xbergPolyglot document intelligence with a Rust core: extract text, metadata, images, tables, and structured data from 106 formats across 140 file extensions, plus code intelligence for 371 languages. Fifteen bindings, with CLI, REST API, and MCP server.项目地址https://gitcode.com/gh_mirrors/kr/xberg点击查看免费下载本篇指南面向在 xbergRust 核心、多语言绑定的文档智能提取项目C# 绑定中启用 PaddleOCR 后端的开发者完整讲解OcrConfig/PaddleOcrConfig的配置结构、language/model_tier/model_version三个核心参数的含义与取值、底层模型下载与推理引擎机制并结合仓库源码与契约测试给出可复制、可运行的 C# 示例。读完你将能够在 C# 中精准控制 PaddleOCR 的识别语言、模型体积与精度权衡理解为何同一份配置在不同文档上会呈现不同的吞吐与识别效果。一、核心概念xberg 中的 PaddleOCR 后端xberg 的 OCR 子系统是一个可插拔的后端体系。OcrConfig.backend字段可以取值tesseract、paddleocr即paddle-ocr、sceptre、vlm以及若干 candle 系 VLM 后端candle-trocr、candle-paddleocr-vl等。PaddleOCR 后端通过 ONNX Runtime或纯 Rust 的 tract 引擎加载 PaddleOCR 的检测detection、方向分类angle classification与识别recognition模型其优势尤其体现在 CJK 等字符集文档的识别质量上见 crates/xberg/src/paddle_ocr/backend.rs 的模块注释。在 C# 绑定中与 PaddleOCR 相关的类型有两个层次顶层 OCR 配置OcrConfig负责开关、后端选择、语言列表、通用质量阈值等PaddleOCR 专有配置PaddleOcrConfig以 JSON 透传的方式嵌套在OcrConfig.PaddleOcrConfig中承载检测/识别阈值、模型档位、模型版本、推理引擎等 PaddleOCR 专属参数。两者的 C# 定义分别位于 packages/csharp/src/Xberg/OcrConfig.cs 与 packages/csharp/src/Xberg/PaddleOcrConfig.cs其对应的 Rust 实现位于 crates/xberg/src/core/config/ocr.rs 与 crates/xberg/src/paddle_ocr/config.rs。二、开箱即用C# 完整示例关联文档原样继承关联文档给出的是一个可直接编译运行的最小示例选择 PaddleOCR 后端开启 OCR指定英文语言并配置language、model_tier、model_version三项模型参数然后从远程 URI 提取一张 PNG 图片的文本using System; using System.Text.Json; using Xberg; var ConfigOptions new JsonSerializerOptions { PropertyNameCaseInsensitive true }; var result await XbergConverter.ExtractAsync(new ExtractInput { Kind JsonSerializer.DeserializeExtractInputKind(\uri\, ConfigOptions)!, MimeType image/png, Uri https://example.com/images/test_hello_world.png }, new ExtractionConfig { Ocr new OcrConfig { Backend paddleocr, Enabled true, Language new Liststring() { en }, PaddleOcrConfig JsonSerializer.DeserializeJsonElement( {\language\:\en\,\model_tier\:\mobile\,\model_version\:\pp-ocrv6\}, ConfigOptions)! } }); Console.WriteLine(result.Results[0].Content);拆解这段代码的五个要点Backend paddleocr显式选择 PaddleOCR 后端等价于 CLI 的--ocr-backend paddle-ocr见 crates/xberg-cli/src/commands/overrides/ocr.rs 中VALID_OCR_BACKENDS列表。Enabled trueOcrConfig.Enabled默认即为true但显式写出更清晰设false等价于父级ExtractionConfig的disable_ocr此时其它 OCR 设置全部被忽略见 crates/xberg/src/core/config/ocr.rs。Language new Liststring() { en }PaddleOCR 系列后端使用短 ISO 639-1 风格代码en而不是 Tesseract 的 ISO 639-3eng。CLI 层专门为 Paddle 系后端准备了默认语言替换逻辑DEFAULT_PADDLE_OCR_LANGUAGE en见 crates/xberg-cli/src/commands/overrides/ocr.rs。PaddleOcrConfig以 JSON 透传Rust 侧OcrConfig.paddle_ocr_config是serde_json::Value透传字段任意PaddleOcrConfig字段都可以在此覆盖见 crates/xberg/src/core/config/ocr.rs。C# 绑定同样接受JsonElement因此可以灵活地以 JSON 字符串形式注入。result.Results[0].Content提取结果按文档组织Results[0]对应输入文档Content是其 Markdown/文本内容。契约测试如何验证这段代码仓库中的契约测试 fixtures/contract/ocr_paddle_backend.json 与该示例一一对应它以 URI 方式提交test_hello_world.pngmime_type: image/png配置{language:en,model_tier:mobile,model_version:pp-ocrv6}并断言results[0].mime_type等于image/pngresults[0].content同时包含Hello与World。该契约测试同时注明标准 E2E 任务默认不加载 PaddleOCR 原生构建与模型权重且浏览器 WASM 构建不包含 PaddleOCR因此该用例在多数语言绑定中被跳过skip段。这意味着本地运行此类代码前需要确认你的 xberg 原生库是以启用paddle-ocr-ort或paddle-ocr-tract特性的方式构建的。三、languagePaddleOCR 的语言代码体系PaddleOcrConfig.Language使用PaddleLanguage枚举对应的短代码。Rust 侧的完整映射定义在 crates/xberg/src/paddle_ocr/config.rs 的PaddleLanguage枚举中常用取值如下语言代码含义en英语默认ch简体中文chinese_cht繁体中文jpn日语kor韩语deu德语fra法语latin拉丁字母系覆盖大多数欧洲语言cyrillic西里尔字母俄语等eslav东斯拉夫语俄/乌克兰/白俄罗斯arabic阿拉伯语阿拉伯语、波斯语、乌尔都语devanagari天城文印地语、马拉地语、梵语、尼泊尔语thai/greek/tamil/telugu泰语 / 希腊语 / 泰米尔语 / 泰卢固语注意两点顶层OcrConfig.Language与PaddleOcrConfig.Language的关系顶层language决定后端选择与默认行为如 CLI 未指定语言时的en替换逻辑PaddleOcrConfig.language是 PaddleOCR 内部的识别语言。实践中两者通常保持一致。脚本覆盖范围PP-OCRv6 的联合模型覆盖 CJK拉丁日韩而阿拉伯语、西里尔、天城文、希腊语、泰米尔、泰卢固、泰语等脚本不在 v6 联合覆盖内会透明回退到 PP-OCRv5 的按脚本识别模型见 crates/xberg/src/paddle_ocr/config.rs。四、model_tier 与 model_version模型档位与代数这是关联文档的核心配置点也是 PaddleOCR 后端性能与精度的关键旋钮。其语义在 crates/xberg/src/paddle_ocr/config.rs 中有完整文档说明model_version模型代数pp-ocrv6默认引入统一的 CJK拉丁日/韩联合识别模型支持medium/small/tiny三档 tier。pp-ocrv5钉住旧版按脚本/联合模型舰队legacy fleet。model_tier模型档位体积 ↔ 精度权衡在 PP-OCRv5 下tier说明mobile默认轻量模型检测约 4.5MB、识别约 16.5MB下载与推理快server大而准的模型检测约 88MB、识别约 84MB适合 GPU 或复杂文档在 PP-OCRv6 下默认代数mobile会解析到smalltier说明small检测约 9.9MB完整 18,708 字符 CJK拉丁日/韩识别词典未显式配置时即使用此档medium检测约 62MB相同词典精度更高但在 CPU 上显著更慢旧server档或任何未识别值解析到此档tiny检测约 1.8MB但词典缩减到 6,904 字符约中/英无法读取另外两档覆盖的其它文字系统吞吐量提示来自源码的实测注释代码注释明确提示PaddleOCR 页面不会并发执行——ONNX session 由互斥锁保护线程预算流向 intra-op 并行整体耗时约为「页数 × 每页推理」。因此在多页文档上tier 选择主导吞吐见 crates/xberg/src/paddle_ocr/config.rs 及 crates/xberg/src/paddle_ocr/backend.rs 中paddle_inference_thread_count的说明。环境变量快捷方式对于以环境变量配置的服务器部署Rust 侧支持XBERG_OCR_MODEL_VERSION与XBERG_OCR_MODEL_TIER直接设置上述两个键见 crates/xberg/src/core/config/ocr.rs 的注释无需改动配置文件XBERG_OCR_MODEL_TIERmedium XBERG_OCR_MODEL_VERSIONpp-ocrv6 xberg-server ...TOML / JSON 配置等价写法在配置文件中paddle_ocr_config以 JSON 透传形式书写示例来自 crates/xberg/src/core/config/ocr.rs[ocr.paddle_ocr_config] model_version pp-ocrv5 model_tier server五、PaddleOcrConfig 全字段参考源码级参数表PaddleOcrConfig的全部可调字段默认值取自PaddleOcrConfig::new(en)crates/xberg/src/paddle_ocr/config.rs字段默认值取值范围 / 说明languageen识别语言代码见第三节表cache_dirNoneHugging Face Hub 缓存根目录未设置时按HF_HUB_CACHE、HUGGINGFACE_HUB_CACHE、HF_HOME约定解析use_angle_clsfalse旋转文本方向分类在短文本区域可能误判导致裁剪旋转错误enable_table_detectionfalse表格结构检测。与 Tesseract 后端默认true不同PaddleOCR 默认关闭PaddleOCR 没有 Tesseract TSV 那种逐词表格候选置信度口径未过滤聚类会在普通散文上过度虚构表格。启用时仅对已有词框做 CPU 聚类重建网格不再多跑一次模型推理详见源码 doc 注释det_db_thresh0.3检测 DB 阈值0.0–1.0越高要求检测越确信det_db_box_thresh0.5文本框精修阈值0.0–1.0det_db_unclip_ratio1.6文本框外扩比例控制检测区域扩张builder 限制 1.0–3.0det_limit_side_len1024检测图像最大边长更大图像会被缩放到该上限以加速builder 限制 64–4096rec_batch_num6识别推理批大小同时处理的文本区域数限制 1–64padding10检测前图像四周填充像素过大可能引入表格网格线等周边内容限制 0–100drop_score0.5识别最小置信度低于此值的文本行丢弃对应 PaddleOCR Python 的drop_score0.0–1.0model_tiermobile见第四节model_versionpp-ocrv6见第四节inference_backendNone显式推理引擎ort原生 ONNX Runtime需paddle-ocr-ort特性或tract纯 Rust CPU 路径需paddle-ocr-tract特性未设置时取编译默认编译了ort就用ort否则tract。请求未编译的引擎是明确的配置错误而非静默回退C# 绑定为上述每个可调字段提供了对应的WithXxxbuilder 方法WithCacheDir、WithTableDetection、WithAngleCls、WithDetDbThresh、WithDetDbBoxThresh、WithDetDbUnclipRatio、WithDetLimitSideLen、WithRecBatchNum、WithDropScore、WithPadding、WithModelTier、WithModelVersion定义于 packages/csharp/src/Xberg/PaddleOcrConfig.cs。表格检测为何默认关闭深度说明这是 PaddleOCR 后端与 Tesseract 后端行为差异最大的地方值得单独强调源码注释见 crates/xberg/src/paddle_ocr/config.rsTesseract 的 TSV 输出提供逐词表格候选置信度可以据此过滤PaddleOCR 把每个识别词都当作聚类候选不加过滤地在普通散文上聚类会「过度制造」表格。因此从 Tesseract 后端迁移到 PaddleOCR 且使用默认配置时不会产生任何 OCR 表格需要表格时必须在paddle_ocr_config中显式设置enable_table_detection: true该开关只对 PaddleOCR 已产出的词框做 CPU 聚类/网格重建见 crates/xberg/src/paddle_ocr/backend.rs 中PaddleOcrBackend::process_image不会触发额外 ONNX 推理。六、底层原理模型下载、校验与推理引擎池模型来源与 SHA-256 校验PaddleOCR 模型从 Hugging Face 仓库xberg-io/paddleocr-onnx-models的固定不可变 revisionbc5ec866cf0e798e667808dfa51b0ba8ad0dafc8拉取流程为见 crates/xberg/src/paddle_ocr/model_manager.rs从本地 Hub 缓存解析不可变仓库 revision缓存未命中时下载除非开启 Hugging Face offline 模式每次解析无论冷热缓存都校验 SHA-256 并修复损坏条目直接返回快照产物路径不复制一份 Xberg 自有副本。识别模型按脚本族组织REC_MODELS列出 latin、korean、eslav、thai、greek、arabic、devanagari、tamil、telugu 九个脚本族的独立模型PP-OCRv5而 v2 模型V2_DET_MODELS、V2_REC_MODELS则按 tier 区分 server/mobile 检测模型与 unified 联合识别模型。推理引擎ORT 与 tractPaddleOCR 后端维护一个按「版本/tier/模型键/加速器/引擎」组合键划分的引擎池engine_pool_keycrates/xberg/src/paddle_ocr/backend.rsort原生 ONNX Runtime 路径支持执行提供方execution provider加速CUDA / TensorRT / CoreML / CPU 自动选择可接受ExtractionConfig::acceleration注入的硬件加速配置tract纯 Rust CPU 路径用于ort无法链接的目标平台如 Android x86_64 模拟器WASM 未来接入点。引擎池以once_cellAHashMapMutex实现惰性单例初始化同一组合键的引擎在进程内复用。若某次调用携带 GPU 加速如 CUDA 指定 device_id组合键随之变化从而隔离不同加速配置的会话。七、进阶场景与易错点清单语言代码别混用给 PaddleOCR 后端传engTesseract 风格不会得到预期行为该系列后端要求en。CLI 层在检测到 Paddle 系后端且语言仍是默认eng时会自动替换为en见 crates/xberg-cli/src/commands/overrides/ocr.rs但 C#/REST 直连场景需自行保证。多语言混合文档OcrConfig.Language支持列表形式[en, deu]配置文件中还兼容单字符串与连接形式如engdeu见 crates/xberg/src/core/config/ocr.rs但PaddleOcrConfig.language是单语言代码PaddleOCR 后端对每个文档选择一个识别语言。表格需要显式开启默认enable_table_detection: false从 Tesseract 迁移会「静默丢表格」——这是设计使然不是缺陷。引擎未编译是硬错误显式inference_backend: ort但构建未启用paddle-ocr-ort特性时会在引擎构造阶段报出明确的配置错误而不是静默回退crates/xberg/src/paddle_ocr/config.rs。多页文档的吞吐PaddleOCR 页面推理被互斥锁串行化预算请按「页数 × 每页推理」估算选择tiny/small档位可显著降低每页耗时。八、延伸阅读后端引擎池与推理细节crates/xberg/src/paddle_ocr/backend.rs配置结构与默认值Rust 侧crates/xberg/src/paddle_ocr/config.rs模型下载、SHA-256 校验与脚本族模型清单crates/xberg/src/paddle_ocr/model_manager.rs顶层 OCR 配置与paddle_ocr_config透传、环境变量crates/xberg/src/core/config/ocr.rsC# 绑定配置类packages/csharp/src/Xberg/PaddleOcrConfig.cs契约测试与断言fixtures/contract/ocr_paddle_backend.json关联文档生成的 C# 片段docs-site/src/snippets-generated/csharp/ocr/ocr_paddle_backend.mdCLI 的--ocr-backend/--ocr-language覆盖逻辑crates/xberg-cli/src/commands/overrides/ocr.rs赞分享后端AI 应用NLP【免费下载链接】xbergPolyglot document intelligence with a Rust core: extract text, metadata, images, tables, and structured data from 106 formats across 140 file extensions, plus code intelligence for 371 languages. Fifteen bindings, with CLI, REST API, and MCP server.项目地址https://gitcode.com/gh_mirrors/kr/xberg点击查看免费下载相关推荐xberg C 绑定实战用 VLM 视觉大模型liter-llm配置 OCR 文本提取xberg C 绑定实战用 VLM 视觉大模型liter llm配置 OCR 文本提取 本文以 xberg 的 C FFI 接口为主线讲解如何配置 VL后端AI 应用NLPxberg C FFI 中配置 PaddleOCR 后端language、model_tier 与 model_version 完整实战指南xberg C FFI 中配置 PaddleOCR 后端language、model_tier 与 model_version 完整实战指南 本文围绕 xbe后端AI 应用NLP【限时免费】 PaddleOCR文档视觉语言模型(PP-DocBee)使用指南PaddleOCR文档视觉语言模型 PP DocBee 使用指南 一、文档视觉语言模型简介 文档视觉语言模型 Document Visual Language人工智能计算机视觉OCR深度学习大模型RAG上一篇LiveViewJS与Express集成指南如何在现有NodeJS应用中添加实时功能下一篇EasyFlipView常见问题解答新手必知的10个要点创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 xberg C 绑定使用 PaddleOCR 后端：语言、模型档位与模型版本配置指南
后端AI 应用NLP【免费下载链接】xbergPolyglot document intelligence with a Rust core: extract text, metadata, images, tables, and structured data from 106 formats across 140 file extensions, plus code intelligence for 371 languages. Fifteen bindings, with CLI, REST API, and MCP server.项目地址https://gitcode.com/gh_mirrors/kr/xberg点击查看免费下载本篇指南面向在 xbergRust 核心、多语言绑定的文档智能提取项目C# 绑定中启用 PaddleOCR 后端的开发者完整讲解OcrConfig/PaddleOcrConfig的配置结构、language/model_tier/model_version三个核心参数的含义与取值、底层模型下载与推理引擎机制并结合仓库源码与契约测试给出可复制、可运行的 C# 示例。读完你将能够在 C# 中精准控制 PaddleOCR 的识别语言、模型体积与精度权衡理解为何同一份配置在不同文档上会呈现不同的吞吐与识别效果。一、核心概念xberg 中的 PaddleOCR 后端xberg 的 OCR 子系统是一个可插拔的后端体系。OcrConfig.backend字段可以取值tesseract、paddleocr即paddle-ocr、sceptre、vlm以及若干 candle 系 VLM 后端candle-trocr、candle-paddleocr-vl等。PaddleOCR 后端通过 ONNX Runtime或纯 Rust 的 tract 引擎加载 PaddleOCR 的检测detection、方向分类angle classification与识别recognition模型其优势尤其体现在 CJK 等字符集文档的识别质量上见 crates/xberg/src/paddle_ocr/backend.rs 的模块注释。在 C# 绑定中与 PaddleOCR 相关的类型有两个层次顶层 OCR 配置OcrConfig负责开关、后端选择、语言列表、通用质量阈值等PaddleOCR 专有配置PaddleOcrConfig以 JSON 透传的方式嵌套在OcrConfig.PaddleOcrConfig中承载检测/识别阈值、模型档位、模型版本、推理引擎等 PaddleOCR 专属参数。两者的 C# 定义分别位于 packages/csharp/src/Xberg/OcrConfig.cs 与 packages/csharp/src/Xberg/PaddleOcrConfig.cs其对应的 Rust 实现位于 crates/xberg/src/core/config/ocr.rs 与 crates/xberg/src/paddle_ocr/config.rs。二、开箱即用C# 完整示例关联文档原样继承关联文档给出的是一个可直接编译运行的最小示例选择 PaddleOCR 后端开启 OCR指定英文语言并配置language、model_tier、model_version三项模型参数然后从远程 URI 提取一张 PNG 图片的文本using System; using System.Text.Json; using Xberg; var ConfigOptions new JsonSerializerOptions { PropertyNameCaseInsensitive true }; var result await XbergConverter.ExtractAsync(new ExtractInput { Kind JsonSerializer.DeserializeExtractInputKind(\uri\, ConfigOptions)!, MimeType image/png, Uri https://example.com/images/test_hello_world.png }, new ExtractionConfig { Ocr new OcrConfig { Backend paddleocr, Enabled true, Language new Liststring() { en }, PaddleOcrConfig JsonSerializer.DeserializeJsonElement( {\language\:\en\,\model_tier\:\mobile\,\model_version\:\pp-ocrv6\}, ConfigOptions)! } }); Console.WriteLine(result.Results[0].Content);拆解这段代码的五个要点Backend paddleocr显式选择 PaddleOCR 后端等价于 CLI 的--ocr-backend paddle-ocr见 crates/xberg-cli/src/commands/overrides/ocr.rs 中VALID_OCR_BACKENDS列表。Enabled trueOcrConfig.Enabled默认即为true但显式写出更清晰设false等价于父级ExtractionConfig的disable_ocr此时其它 OCR 设置全部被忽略见 crates/xberg/src/core/config/ocr.rs。Language new Liststring() { en }PaddleOCR 系列后端使用短 ISO 639-1 风格代码en而不是 Tesseract 的 ISO 639-3eng。CLI 层专门为 Paddle 系后端准备了默认语言替换逻辑DEFAULT_PADDLE_OCR_LANGUAGE en见 crates/xberg-cli/src/commands/overrides/ocr.rs。PaddleOcrConfig以 JSON 透传Rust 侧OcrConfig.paddle_ocr_config是serde_json::Value透传字段任意PaddleOcrConfig字段都可以在此覆盖见 crates/xberg/src/core/config/ocr.rs。C# 绑定同样接受JsonElement因此可以灵活地以 JSON 字符串形式注入。result.Results[0].Content提取结果按文档组织Results[0]对应输入文档Content是其 Markdown/文本内容。契约测试如何验证这段代码仓库中的契约测试 fixtures/contract/ocr_paddle_backend.json 与该示例一一对应它以 URI 方式提交test_hello_world.pngmime_type: image/png配置{language:en,model_tier:mobile,model_version:pp-ocrv6}并断言results[0].mime_type等于image/pngresults[0].content同时包含Hello与World。该契约测试同时注明标准 E2E 任务默认不加载 PaddleOCR 原生构建与模型权重且浏览器 WASM 构建不包含 PaddleOCR因此该用例在多数语言绑定中被跳过skip段。这意味着本地运行此类代码前需要确认你的 xberg 原生库是以启用paddle-ocr-ort或paddle-ocr-tract特性的方式构建的。三、languagePaddleOCR 的语言代码体系PaddleOcrConfig.Language使用PaddleLanguage枚举对应的短代码。Rust 侧的完整映射定义在 crates/xberg/src/paddle_ocr/config.rs 的PaddleLanguage枚举中常用取值如下语言代码含义en英语默认ch简体中文chinese_cht繁体中文jpn日语kor韩语deu德语fra法语latin拉丁字母系覆盖大多数欧洲语言cyrillic西里尔字母俄语等eslav东斯拉夫语俄/乌克兰/白俄罗斯arabic阿拉伯语阿拉伯语、波斯语、乌尔都语devanagari天城文印地语、马拉地语、梵语、尼泊尔语thai/greek/tamil/telugu泰语 / 希腊语 / 泰米尔语 / 泰卢固语注意两点顶层OcrConfig.Language与PaddleOcrConfig.Language的关系顶层language决定后端选择与默认行为如 CLI 未指定语言时的en替换逻辑PaddleOcrConfig.language是 PaddleOCR 内部的识别语言。实践中两者通常保持一致。脚本覆盖范围PP-OCRv6 的联合模型覆盖 CJK拉丁日韩而阿拉伯语、西里尔、天城文、希腊语、泰米尔、泰卢固、泰语等脚本不在 v6 联合覆盖内会透明回退到 PP-OCRv5 的按脚本识别模型见 crates/xberg/src/paddle_ocr/config.rs。四、model_tier 与 model_version模型档位与代数这是关联文档的核心配置点也是 PaddleOCR 后端性能与精度的关键旋钮。其语义在 crates/xberg/src/paddle_ocr/config.rs 中有完整文档说明model_version模型代数pp-ocrv6默认引入统一的 CJK拉丁日/韩联合识别模型支持medium/small/tiny三档 tier。pp-ocrv5钉住旧版按脚本/联合模型舰队legacy fleet。model_tier模型档位体积 ↔ 精度权衡在 PP-OCRv5 下tier说明mobile默认轻量模型检测约 4.5MB、识别约 16.5MB下载与推理快server大而准的模型检测约 88MB、识别约 84MB适合 GPU 或复杂文档在 PP-OCRv6 下默认代数mobile会解析到smalltier说明small检测约 9.9MB完整 18,708 字符 CJK拉丁日/韩识别词典未显式配置时即使用此档medium检测约 62MB相同词典精度更高但在 CPU 上显著更慢旧server档或任何未识别值解析到此档tiny检测约 1.8MB但词典缩减到 6,904 字符约中/英无法读取另外两档覆盖的其它文字系统吞吐量提示来自源码的实测注释代码注释明确提示PaddleOCR 页面不会并发执行——ONNX session 由互斥锁保护线程预算流向 intra-op 并行整体耗时约为「页数 × 每页推理」。因此在多页文档上tier 选择主导吞吐见 crates/xberg/src/paddle_ocr/config.rs 及 crates/xberg/src/paddle_ocr/backend.rs 中paddle_inference_thread_count的说明。环境变量快捷方式对于以环境变量配置的服务器部署Rust 侧支持XBERG_OCR_MODEL_VERSION与XBERG_OCR_MODEL_TIER直接设置上述两个键见 crates/xberg/src/core/config/ocr.rs 的注释无需改动配置文件XBERG_OCR_MODEL_TIERmedium XBERG_OCR_MODEL_VERSIONpp-ocrv6 xberg-server ...TOML / JSON 配置等价写法在配置文件中paddle_ocr_config以 JSON 透传形式书写示例来自 crates/xberg/src/core/config/ocr.rs[ocr.paddle_ocr_config] model_version pp-ocrv5 model_tier server五、PaddleOcrConfig 全字段参考源码级参数表PaddleOcrConfig的全部可调字段默认值取自PaddleOcrConfig::new(en)crates/xberg/src/paddle_ocr/config.rs字段默认值取值范围 / 说明languageen识别语言代码见第三节表cache_dirNoneHugging Face Hub 缓存根目录未设置时按HF_HUB_CACHE、HUGGINGFACE_HUB_CACHE、HF_HOME约定解析use_angle_clsfalse旋转文本方向分类在短文本区域可能误判导致裁剪旋转错误enable_table_detectionfalse表格结构检测。与 Tesseract 后端默认true不同PaddleOCR 默认关闭PaddleOCR 没有 Tesseract TSV 那种逐词表格候选置信度口径未过滤聚类会在普通散文上过度虚构表格。启用时仅对已有词框做 CPU 聚类重建网格不再多跑一次模型推理详见源码 doc 注释det_db_thresh0.3检测 DB 阈值0.0–1.0越高要求检测越确信det_db_box_thresh0.5文本框精修阈值0.0–1.0det_db_unclip_ratio1.6文本框外扩比例控制检测区域扩张builder 限制 1.0–3.0det_limit_side_len1024检测图像最大边长更大图像会被缩放到该上限以加速builder 限制 64–4096rec_batch_num6识别推理批大小同时处理的文本区域数限制 1–64padding10检测前图像四周填充像素过大可能引入表格网格线等周边内容限制 0–100drop_score0.5识别最小置信度低于此值的文本行丢弃对应 PaddleOCR Python 的drop_score0.0–1.0model_tiermobile见第四节model_versionpp-ocrv6见第四节inference_backendNone显式推理引擎ort原生 ONNX Runtime需paddle-ocr-ort特性或tract纯 Rust CPU 路径需paddle-ocr-tract特性未设置时取编译默认编译了ort就用ort否则tract。请求未编译的引擎是明确的配置错误而非静默回退C# 绑定为上述每个可调字段提供了对应的WithXxxbuilder 方法WithCacheDir、WithTableDetection、WithAngleCls、WithDetDbThresh、WithDetDbBoxThresh、WithDetDbUnclipRatio、WithDetLimitSideLen、WithRecBatchNum、WithDropScore、WithPadding、WithModelTier、WithModelVersion定义于 packages/csharp/src/Xberg/PaddleOcrConfig.cs。表格检测为何默认关闭深度说明这是 PaddleOCR 后端与 Tesseract 后端行为差异最大的地方值得单独强调源码注释见 crates/xberg/src/paddle_ocr/config.rsTesseract 的 TSV 输出提供逐词表格候选置信度可以据此过滤PaddleOCR 把每个识别词都当作聚类候选不加过滤地在普通散文上聚类会「过度制造」表格。因此从 Tesseract 后端迁移到 PaddleOCR 且使用默认配置时不会产生任何 OCR 表格需要表格时必须在paddle_ocr_config中显式设置enable_table_detection: true该开关只对 PaddleOCR 已产出的词框做 CPU 聚类/网格重建见 crates/xberg/src/paddle_ocr/backend.rs 中PaddleOcrBackend::process_image不会触发额外 ONNX 推理。六、底层原理模型下载、校验与推理引擎池模型来源与 SHA-256 校验PaddleOCR 模型从 Hugging Face 仓库xberg-io/paddleocr-onnx-models的固定不可变 revisionbc5ec866cf0e798e667808dfa51b0ba8ad0dafc8拉取流程为见 crates/xberg/src/paddle_ocr/model_manager.rs从本地 Hub 缓存解析不可变仓库 revision缓存未命中时下载除非开启 Hugging Face offline 模式每次解析无论冷热缓存都校验 SHA-256 并修复损坏条目直接返回快照产物路径不复制一份 Xberg 自有副本。识别模型按脚本族组织REC_MODELS列出 latin、korean、eslav、thai、greek、arabic、devanagari、tamil、telugu 九个脚本族的独立模型PP-OCRv5而 v2 模型V2_DET_MODELS、V2_REC_MODELS则按 tier 区分 server/mobile 检测模型与 unified 联合识别模型。推理引擎ORT 与 tractPaddleOCR 后端维护一个按「版本/tier/模型键/加速器/引擎」组合键划分的引擎池engine_pool_keycrates/xberg/src/paddle_ocr/backend.rsort原生 ONNX Runtime 路径支持执行提供方execution provider加速CUDA / TensorRT / CoreML / CPU 自动选择可接受ExtractionConfig::acceleration注入的硬件加速配置tract纯 Rust CPU 路径用于ort无法链接的目标平台如 Android x86_64 模拟器WASM 未来接入点。引擎池以once_cellAHashMapMutex实现惰性单例初始化同一组合键的引擎在进程内复用。若某次调用携带 GPU 加速如 CUDA 指定 device_id组合键随之变化从而隔离不同加速配置的会话。七、进阶场景与易错点清单语言代码别混用给 PaddleOCR 后端传engTesseract 风格不会得到预期行为该系列后端要求en。CLI 层在检测到 Paddle 系后端且语言仍是默认eng时会自动替换为en见 crates/xberg-cli/src/commands/overrides/ocr.rs但 C#/REST 直连场景需自行保证。多语言混合文档OcrConfig.Language支持列表形式[en, deu]配置文件中还兼容单字符串与连接形式如engdeu见 crates/xberg/src/core/config/ocr.rs但PaddleOcrConfig.language是单语言代码PaddleOCR 后端对每个文档选择一个识别语言。表格需要显式开启默认enable_table_detection: false从 Tesseract 迁移会「静默丢表格」——这是设计使然不是缺陷。引擎未编译是硬错误显式inference_backend: ort但构建未启用paddle-ocr-ort特性时会在引擎构造阶段报出明确的配置错误而不是静默回退crates/xberg/src/paddle_ocr/config.rs。多页文档的吞吐PaddleOCR 页面推理被互斥锁串行化预算请按「页数 × 每页推理」估算选择tiny/small档位可显著降低每页耗时。八、延伸阅读后端引擎池与推理细节crates/xberg/src/paddle_ocr/backend.rs配置结构与默认值Rust 侧crates/xberg/src/paddle_ocr/config.rs模型下载、SHA-256 校验与脚本族模型清单crates/xberg/src/paddle_ocr/model_manager.rs顶层 OCR 配置与paddle_ocr_config透传、环境变量crates/xberg/src/core/config/ocr.rsC# 绑定配置类packages/csharp/src/Xberg/PaddleOcrConfig.cs契约测试与断言fixtures/contract/ocr_paddle_backend.json关联文档生成的 C# 片段docs-site/src/snippets-generated/csharp/ocr/ocr_paddle_backend.mdCLI 的--ocr-backend/--ocr-language覆盖逻辑crates/xberg-cli/src/commands/overrides/ocr.rs赞分享后端AI 应用NLP【免费下载链接】xbergPolyglot document intelligence with a Rust core: extract text, metadata, images, tables, and structured data from 106 formats across 140 file extensions, plus code intelligence for 371 languages. Fifteen bindings, with CLI, REST API, and MCP server.项目地址https://gitcode.com/gh_mirrors/kr/xberg点击查看免费下载相关推荐xberg C 绑定实战用 VLM 视觉大模型liter-llm配置 OCR 文本提取xberg C 绑定实战用 VLM 视觉大模型liter llm配置 OCR 文本提取 本文以 xberg 的 C FFI 接口为主线讲解如何配置 VL后端AI 应用NLPxberg C FFI 中配置 PaddleOCR 后端language、model_tier 与 model_version 完整实战指南xberg C FFI 中配置 PaddleOCR 后端language、model_tier 与 model_version 完整实战指南 本文围绕 xbe后端AI 应用NLP【限时免费】 PaddleOCR文档视觉语言模型(PP-DocBee)使用指南PaddleOCR文档视觉语言模型 PP DocBee 使用指南 一、文档视觉语言模型简介 文档视觉语言模型 Document Visual Language人工智能计算机视觉OCR深度学习大模型RAG上一篇LiveViewJS与Express集成指南如何在现有NodeJS应用中添加实时功能下一篇EasyFlipView常见问题解答新手必知的10个要点创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考