paddleocr-vl16-sft800-rl-repro / docs /PROJECT_CONTEXT.md
CheneyWong's picture
Add files using upload-large-folder tool
798a1be verified
|
Raw History Blame Contribute Delete
5.38 kB

前情提要与接手顺序

要解决的问题

以 PaddleOCR-VL-1.6 为基础,改善表格内容和结构识别,主要关注扫描、拍摄、手写、长表、多行多列,以及没有明显框线或混合框线的表格。弱框线中的纵向文字有时应拆成多行/单元格,有时只是一个单元格内的换行,不能仅凭换行机械拆分;要结合全图、对齐、语义与跨行跨列。

项目还观察到 SFT800 在一些简单的 MMSci / SciTSR 表格上出现结构退化或复读,因此后续训练数据不仅包含困难表,也补入普通科学表、长宽表和无 span 表,避免只训练复杂样本。

已经走过的路线

  1. 原 SFT:16,091 条,PaddleOCR-VL-1.6 初始化,full parameter,vision / projector / language 均训练,2 epochs 共 1,004 updates。已有比较选定 step800 为后续 RL 起点。step800 位于第二个 epoch 内,不是完成两轮的最后一步。
  2. 曾尝试 GRPO、GSPO、DAPO、类 DAPO,并对多个 checkpoint 做 crop + fullpage 比较;后期存在退化,不能预设最后一步最优。后续用户明确仅继续 DAPO 与类 DAPO。旧 DAPO26 / 类 DAPO26 是保留的历史对照,不在本包权重中。
  3. 专项 teacher:从 Base 对旧 RL 池 1,728 条做 full SFT,2 epochs / 108 updates,目标作为未来 OPD 的一个 teacher。专项评测对象是过滤后的 TableVerse、8k-scanned、8k-camera-captured,而不是拿 173k 的数量去定义 teacher 评测。没有证据说明它已在所有来源优于 SFT800。
  4. 当前一轮:清理伪标签、公式与表格范围问题,扩充普通表和相似 bad cases;共用冻结训练集 2,499 张。两种算法都从 SFT800 独立初始化,使用 adaptive_v4 reward,group16,4096 输出上限,repetition_penalty=1.1,8 卡独占顺序训练。每种计划 38 个更新;每 10 步及最后一步保留 HF 模型。实时状态不写死在本文,原机另有 pipeline-status.json。
  5. 下一步:比较每种方法所有保留 checkpoint,再按相对 SFT800 退化、低于 Base、TEDS-S ≤0.9 和复读做 case study;最终再决定 OPD student,以及 Base / SFT800 / 专项 teacher 的组合。本文不把尚未完成的 OPD 称为已训练。

本轮数据构成

来源 张数
real-scene(原来源) 316
real-scene-Qwen-reverified-table-only 634
WTW 661
M6Doc 78
Historical 4
MMSci 185
SciTSR 119
PubTables-1M 186
PubTables-v2 117
PubTabNet 92
FinTabNet_OTSL 50
SynthTabNet 36
synth_2d 21
合计 2499

拍摄 1,317、扫描 376、synthetic 57、unknown 749。unknown 不能等同电子文档;手写没有完整独立标签,不能从场景字段推算其准确数量。

有 span 1,305、无 span 1,194;rowspan 502、colspan 1,238、两者都有 435。≥30 行的 301 张,≥12 列的 270 张,最长 77 行 / 最宽 27 列;GT 输出 token 最大 3,319。来源和结构统计见 完整数据分布。

候选扩量包含图像相似度和结构特征相似度,并非全部由图像检索产生;训练来源保留 retrieval_origin。去重与 heldout 隔离依据图片、原始文档身份和既有近重复审查。标签仍有机器审核成分,应保存 review provenance,不要称作全部人工正确。

离线候选 3,002 组,排除 503 组无 reward 方差后得到 2,499 张。类 DAPO 离线额外规则会留 2,338 组,但实际训练故意仍用同一份 2,499 张池,差异放在在线 rollout 过滤,便于比较。

数据与评测约定

  • 模糊到无法判断的样本排除;马赛克、涂改或不可辨认文字不臆造。可辨认手写需结合全图识别。
  • 不把标题、说明正文、页眉页脚、印章内容混进表格 HTML。多表或正文混入先找已有 boxes;没有 boxes 时才用 PP-DocLayoutV3 裁剪。
  • 不完整商品局部表、背面透印及明确点名排除的图片不进入训练/评测;完整商品营养标签可以保留,这是用户后来的修正。
  • 指定 structure-only 图片仅计算 TEDS-S,不进入训练;不可把空缺 TEDS 记成 0。
  • 训练目标识别 HTML / OTSL 后统一到 Paddle 使用的 OTSL。评测保留 raw prediction、HTML 和 OTSL;公式同时对 pred / GT 归一化。
  • 有些 bad case 原 GT 本身跨行跨列或单元格划分错误。已审核的裁剪、备用 GT 和多表阅读顺序修订必须同时作用于 Base / SFT / RL,不能只改单个模型的分数。
  • fullpage 先布局与识别,再抽取表格与 GT 表格匹配评分,不把整页正文当成一个表格比较。

新机器接手

先校验文件、装环境、跑 CPU smoke;在确认 8 卡空闲后启动单个 DAPO 或类 DAPO 任务。生成当前短/长 crop 分片一次即可多模型复用。一个 checkpoint 推理完成后,可让 CPU 评分与下一个 checkpoint 的 GPU 推理并行;同一轮 8 卡不要叠加两个 GPU 作业。

此前一次保存因磁盘不足中断,已验证并恢复。包内有保存前空间检查、预存 dataloader 状态、保留全部 HF 导出且仅清理同轮旧恢复文件的实现。恢复与导出顺序很重要,不要直接删除正在写入或唯一可恢复的 checkpoint。