PaddleOCR数据合成：3步做出训练数据

PaddleOCR数据合成：3步做出训练数据

【免费下载链接】PaddleOCRTurn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100+ languages.项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleOCR

微调一个门店招牌识别模型，真实数据只有几千张，字体、光照都覆盖不了你自己的行业。PaddleOCR数据合成就是干这个的：用程序直接生成"图片+标签"的文本训练样本，省去人工标注环节。读完你能直接跑通最小流程，产出一批可进训练的带标注样本。

一句话说清PaddleOCR数据合成是什么

PaddleOCR的数据合成不是某一个工具，而是官方整理好的一整套"用程序生成文本图像并自动产出标注"的工具链，解决的核心问题只有一个：训练数据不够、人工标注太贵。

• 标注自动产出：文本内容由你给定，坐标标签同步写出，不需要人工逐张框选
• 规模成熟：PP-OCR 系列模型的英文训练就依赖 MJSynth、SynthText 这类合成数据，量级达千万张，方案经过大规模验证
• 多语言字体：项目支持 100+ 语言模型，doc/fonts/目录内置了中文、日文、韩文、拉丁、阿拉伯等 19 种字体文件，开箱即用

核心能力全景

官方文档共整理了 9 个合成工具，按"从零渲染"到"场景融合"覆盖不同需求，最常用的几个如下：

更多细节参考 官方文档。

三步跑通最小可用流程

1. 环境准备：克隆仓库并安装依赖，合成脚本只用到其中的字体和依赖环境。

git clone https://gitcode.com/GitHub_Trending/pa/PaddleOCR cd PaddleOCR pip install -r requirements.txt

2. 最小示例：用仓库里的字体渲染一行文字、叠加随机噪声，保存成图，这就是合成数据的"图+标签"最小单元。

from PIL import Image, ImageDraw, ImageFont import numpy as np img = Image.new("RGB", (640, 128), color=(235, 235, 235)) draw = ImageDraw.Draw(img) font = ImageFont.truetype("doc/fonts/chinese_cht.ttf", 48) draw.text((24, 32), "PaddleOCR数据合成", font=font, fill=(30, 30, 30)) arr = np.clip(np.array(img).astype("int16") + np.random.randint(-25, 25, img.size[::-1]), 0, 255) Image.fromarray(arr.astype("uint8")).save("sample_0.png") print("PaddleOCR数据合成") # rec标签格式：一行文本

3. 验证产出：确认图片生成成功，并把标签写成训练可用的 txt 格式（识别任务一行文本；检测任务为四点坐标+文本）。

file sample_0.png echo "PaddleOCR数据合成" > sample_0.txt cat sample_0.txt

进阶玩法与参数调优

模拟真实场景的拍摄畸变

真实拍摄有倾斜和旋转，纯平面渲染的样本分布偏"干净"。原理很简单：对渲染结果做一次透视变换，四点坐标同步记录即可。

import cv2 H, W = 128, 640 src = np.float32([[0, 0], [W, 0], [W, H], [0, H]]) dst = np.float32([[12, 10], [W-12, 0], [W-26, H-8], [0, H]]) out = cv2.warpPerspective(img, cv2.getPerspectiveTransform(src, dst), (W, H)) cv2.imwrite("sample_1.png", out)

效果上，样本从"标准印刷体"变成"斜拍文字"，与手机实拍分布更接近。

批量生成时参数随机化

单一样本够用，批量生成时要把参数做成随机池，循环采样出多样性，建议起步范围：

• 字体池：3~5 种（可从doc/fonts/里挑）
• 字号：36~64 px 随机
• 文本长度：4~16 个字符
• 背景：纯色与实拍背景至少各占一半

按场景选工具

💡 风格迁移选 Style-Text，快速实验选 TextRecognitionDataGenerator，要真实照片背景选 SynthText，多语言密集版面选 SynthTIGER。

效果怎么评估、怎么调

评估维度

• 覆盖度：字体、背景、文本长度是否覆盖你的目标场景，而不是只看"像不像"
• 真实感：随机抽 100 张混入真实数据，人工能不能一眼挑出合成的
• 标签一致性：抽样核对标签坐标是否真的框住文字，错位的样本比没有样本更有害

调优建议

1. 合成与真实数据混用比纯合成更稳，可从 1:2（真实:合成）起步，观察验证集准确率再调整
2. 增量生成：先做 5000~10000 张跑一轮训练评测，确认有效再放大到十万级
3. 参数范围向推理端对齐：训练用的字号、背景分布要和你线上输入的实际分布保持一致，避免训推两张皮

延伸：与标注工具组合使用

合成数据抽检、真实数据补标，官方文档 数据标注工具 里整理了配套工具：

总结

如果业务场景垂直（单据、票据、招牌）且真实数据难以积累，PaddleOCR数据合成是目前性价比最高的数据补强路径，官方文档收录了 9 个工具并持续更新；如果真实数据量已经足够，直接微调即可，合成不是必选项。建议先用三步流程跑通最小样本，再按验证集表现决定放大规模。后续随着扩散模型等生成式技术介入，合成数据与实拍照片的差距还会继续缩小。

觉得有用，欢迎点赞收藏。

【免费下载链接】PaddleOCRTurn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100+ languages.项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleOCR