WIP

README.md

@@ -1,14 +1,14 @@
 # Invoice Master POC v2
 
-自动发票字段提取系统 - 使用 YOLOv11 + PaddleOCR 从瑞典 PDF 发票中提取结构化数据。
+自动发票字段提取系统 - 使用 YOLO26 + PaddleOCR 从瑞典 PDF 发票中提取结构化数据。
 
 ## 项目概述
 
 本项目实现了一个完整的发票字段自动提取流程：
 
-1. **自动标注**: 利用已有 CSV 结构化数据 + OCR 自动生成 YOLO 训练标注
-2. **模型训练**: 使用 YOLOv11 训练字段检测模型，支持数据增强
-3. **推理提取**: 检测字段区域 -> OCR 提取文本 -> 字段规范化
+1. **自动标注**: 利用已有 CSV 结构化数据 + OCR 自动生成 YOLO 训练标注（统一 15px 填充）
+2. **模型训练**: 使用 YOLO26 训练字段检测模型，支持数据增强
+3. **推理提取**: 检测字段区域 -> OCR 提取文本 -> ValueSelector 过滤标签 -> 字段规范化
 4. **Web 管理**: React 前端 + FastAPI 后端，支持文档管理、数据集构建、模型训练和版本管理
 
 ### 架构
@@ -37,8 +37,8 @@ frontend/        # React 前端 (Vite + TypeScript + TailwindCSS)
 |------|------|
 | **已标注文档** | 9,738 (9,709 成功) |
 | **总体字段匹配率** | 94.8% (82,604/87,121) |
-| **测试** | 2,058 passed |
-| **测试覆盖率** | 60% |
+| **测试** | 2,047 passed |
+| **测试覆盖率** | 72% |
 | **模型 mAP@0.5** | 93.5% |
 
 **各字段匹配率:**
@@ -204,7 +204,7 @@ invoice-master-poc-v2/
 │       ├── run_server.py           # Web 服务器入口
 │       └── backend/
 │           ├── cli/                # infer, serve
-│           ├── pipeline/           # YOLO 检测, 字段提取, 解析器
+│           ├── pipeline/           # YOLO 检测, 字段提取, ValueSelector, 解析器
 │           ├── web/                # FastAPI 应用
 │           │   ├── api/v1/         # REST API (admin, public, batch)
 │           │   ├── schemas/        # Pydantic 数据模型
@@ -278,7 +278,7 @@ python -m training.cli.autolabel --workers 4
 ```bash
 # 从预训练模型开始训练
 python -m training.cli.train \
-    --model yolo11n.pt \
+    --model yolo26s.pt \
     --epochs 100 \
     --batch 16 \
     --name invoice_fields \
@@ -286,7 +286,7 @@ python -m training.cli.train \
 
 # 低内存模式
 python -m training.cli.train \
-    --model yolo11n.pt \
+    --model yolo26s.pt \
     --epochs 100 \
     --name invoice_fields \
     --low-memory
@@ -443,6 +443,30 @@ result = parser.parse("Said, Shakar Umj 436-R Billo")
 print(f"Customer Number: {result}")  # "UMJ 436-R"
 ```
 
+## 推理流水线 (Two-Stage Detection)
+
+```
+YOLO bbox -> crop -> PaddleOCR -> [all tokens] -> ValueSelector -> normalizer
+                                       |                |
+                                  individual         selected
+                                  text lines         value token(s)
+```
+
+**BBox 扩展**: 所有字段统一使用 15px 填充（150 DPI 下约 2.5mm），不做方向性扩展，不依赖布局假设。
+
+**ValueSelector**: 在 OCR 和 normalizer 之间按字段类型过滤标签文本，只保留值 token：
+
+| 字段 | 选择策略 | 示例输入 -> 输出 |
+|------|---------|-----------------|
+| InvoiceDate / DueDate | 日期模式匹配 | "Fakturadatum 2024-01-15" -> "2024-01-15" |
+| Amount | 金额模式匹配 | "Belopp 1 234,56 kr" -> "1 234,56" |
+| Bankgiro / Plusgiro | Giro 号码模式 | "BG: 123-4567" -> "123-4567" |
+| OCR | 最长数字序列 (>=5位) | "OCR 94228110015950070" -> "94228110015950070" |
+| InvoiceNumber | 排除瑞典语标签 | "Fakturanr INV-2024-001" -> "INV-2024-001" |
+| payment_line | 保留全部 | 不过滤 |
+
+如果没有匹配到任何模式，回退返回全部 token（永远不会比之前更差）。
+
 ## DPI 配置
 
 系统所有组件统一使用 **150 DPI**。DPI 必须在训练和推理时保持一致。
@@ -506,9 +530,9 @@ DB_PASSWORD=xxx pytest tests/ --cov=packages --cov-report=term-missing
 
 | 指标 | 数值 |
 |------|------|
-| **测试总数** | 2,058 |
+| **测试总数** | 2,047 |
 | **通过率** | 100% |
-| **覆盖率** | 60% |
+| **覆盖率** | 72% |
 
 ## 存储抽象层
 
@@ -619,7 +643,7 @@ npm run dev
 
 | 组件 | 技术 |
 |------|------|
-| **目标检测** | YOLOv11 (Ultralytics) |
+| **目标检测** | YOLO26 (Ultralytics >= 8.4.0) |
 | **OCR 引擎** | PaddleOCR v5 (PP-OCRv5) |
 | **PDF 处理** | PyMuPDF (fitz) |
 | **数据库** | PostgreSQL + SQLModel |