PaddleOCR图片旋转90度识别失败？方向检测与校正实战

简介：本资源面向图像处理初学者与需要批量矫正图片方向的开发者，聚焦利用PaddleOCR底层能力解决图片旋转问题。包内共45个文件，以19个py脚本与17个pyc编译文件为主，另含3个onnx模型、2张jpg与1张png示例图、1个ttf字体及readme.md说明文档，压缩包约20.3MB，结构围绕图片旋转矫正与文字识别流程组织。资源涵盖图片加载、旋转角度检测、自动矫正及批量处理等模块，脚本中可见角度检测与OCR预测相关实现，可帮助读者理解如何借助PaddleOCR的图像分析能力判断未知旋转角度，并完成矫正后文字检测识别的验证。已有348人学习下载，适合希望掌握图片旋转矫正、提升扫描件与历史图片处理效率的读者参考。

1. 图片旋转了 90 度，PaddleOCR 为什么还能读出字

做票据识别、证件归档、扫描件入库的同行，大概率都遇到过这种场景：手机横着拍了一张发票，或者扫描仪进纸时方向放反了，图片在相册里看着是正的，一进 OCR 流程就整段整段地识别失败。更玄学的是，同一张图你手动转正再喂进去，识别率立刻从 30% 跳到 95%。很多人第一反应是去调 PaddleOCR 的det_db_thresh、rec_score_thresh，调了半天没效果，因为问题根本不在识别模型，而在图片本身的方向。

这篇笔记就围绕「利用 PaddleOCR 解决图片旋转问题」这条线，把方向检测、角度分类、旋转校正、批量落地这几件事讲透。适合正在做文档数字化、票据批量识别、扫描件预处理的工程师，也适合刚接触 PaddleOCR、被旋转图片坑过一轮的新手。读完你应该能自己搭一条「先判方向、再转正、后识别」的流水线，并且知道哪些参数不能乱动、哪些坑我踩过。

2. 先搞清楚 PaddleOCR 到底管不管方向这件事

2.1 PaddleOCR 的三个模型各管什么

PaddleOCR 的完整推理链路其实是三段：文本检测（det）、方向分类（cls）、文本识别（rec）。很多人只用了 det + rec，把 cls 关掉了，结果就是旋转图片直接翻车。方向分类模型干的事很单一——判断一个已经裁出来的文本框是 0 度还是 180 度，它不负责判断整张图是 90 度还是 270 度。

这里有个关键认知：PaddleOCR 自带的 cls 模型只解决「倒置」问题，不解决「横竖」问题。一张图整体旋转 90 度，检测模型可能连文本框都框不出来，因为 DB 检测对文字排列方向是有假设的。所以「利用 PaddleOCR 解决图片旋转问题」这件事，实际上要分两层来做：

我一般会先跑一个整图方向判断，把图转正，再交给 PaddleOCR 的 det + cls + rec 三段流程。这样 cls 只需要处理它擅长的 180 度翻转，整图 90 度的问题在更前面就解决掉了。

2.2 为什么不能只靠识别结果反推方向

有人会想：我先把图按四个方向各识别一遍，哪个方向识别置信度高就用哪个。这个思路理论上可行，但代价是推理次数翻四倍，批量场景下完全不可接受。而且遇到文字很少的图（比如一张只有两行字的收据），四个方向的置信度可能都差不多，反而容易选错。

更稳的做法是用一个轻量的方向分类模型先做一次判断。PaddleOCR 生态里可以自己训一个四分类模型，也可以直接用现成的图像方向分类方案。下面这段代码是我常用的整图方向判断骨架，基于 PaddleOCR 的 cls 模型做扩展：

import cv2 import numpy as np from paddleocr import PaddleOCR # 初始化时开启方向分类，use_angle_cls=True 是关键 ocr = PaddleOCR(use_angle_cls=True, lang='ch', show_log=False) def detect_image_orientation(img_path): """ 先用检测模型找出所有文本框，再根据文本框的宽高比 粗略判断整图是否被旋转了 90 度 """ img = cv2.imread(img_path) h, w = img.shape[:2] # 只跑检测，拿到文本框坐标 result = ocr.ocr(img_path, det=True, rec=False, cls=False) if not result or not result[0]: return 0 # 没检测到文本，不做旋转 boxes = result[0] # 统计所有文本框的宽高比 ratios = [] for box in boxes: box = np.array(box) box_w = np.linalg.norm(box[0] - box[1]) box_h = np.linalg.norm(box[1] - box[2]) if box_h > 0: ratios.append(box_w / box_h) if not ratios: return 0 avg_ratio = np.mean(ratios) # 正常横排文字，文本框宽高比通常大于 1 # 如果平均宽高比明显小于 1，说明文字是竖着的，图被转了 90 度 if avg_ratio < 0.7: return 90 return 0

这段代码的逻辑说明：use_angle_cls=True是让 PaddleOCR 在识别阶段处理 180 度翻转，但整图 90 度的问题它管不了。所以我先用det=True, rec=False只跑检测，拿到所有文本框，然后算每个框的宽高比。横排文字的框通常是扁的（宽 > 高），如果检测出来的框普遍是竖的（宽 < 高），那基本可以判定整图被旋转了 90 度或 270 度。

参数说明：avg_ratio < 0.7这个阈值是我在票据和文档场景下调出来的经验值。如果你的场景里有很多竖排文字（比如古籍、某些表格），这个阈值要往上调，否则会误判。lang='ch'按你的实际语种改，英文场景用en检测速度更快。

2.3 方向分类模型和图像预处理的选型

整图方向判断有两条路：一是训一个四分类模型（0/90/180/270），二是用传统图像方法做预处理。我两种都用过，说下适用边界。

四分类模型适合：图片量大、方向分布均匀、有标注资源。训一个 ResNet18 级别的分类器，几千张标注图就能到 95% 以上的准确率。缺点是你要维护标注数据，而且遇到新类型的文档（比如突然来了一批竖版海报）可能要重新补数据。

传统图像方法适合：快速上线、没有标注资源、方向类型单一。常用的手段是投影法——把图片二值化后，分别计算水平和垂直方向的像素投影方差，文字行方向的投影方差会明显更大。这个方法对纯文字文档有效，对图文混排的票据就一般了。

我一般会先用传统方法做个快速判断，把明显旋转的图筛出来，剩下模棱两可的再走模型。这样既省标注成本，又能覆盖大部分场景。

3. 用 PaddleOCR 搭一条旋转校正流水线

3.1 最小可跑通的四步流程

先给一个能直接跑的最小流程，后面再逐段拆开讲。整个流水线分四步：读图 → 判断方向 → 旋转校正 → 送入 PaddleOCR 识别。

import cv2 import numpy as np from paddleocr import PaddleOCR ocr = PaddleOCR(use_angle_cls=True, lang='ch', show_log=False) def rotate_image(img, angle): """按指定角度旋转图片，angle 取 0/90/180/270""" if angle == 0: return img h, w = img.shape[:2] center = (w // 2, h // 2) # 90 和 270 度旋转后宽高会互换，这里用 transpose 更直接 if angle == 90: return cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE) elif angle == 180: return cv2.rotate(img, cv2.ROTATE_180) elif angle == 270: return cv2.rotate(img, cv2.ROTATE_90_COUNTERCLOCKWISE) return img def estimate_angle_by_projection(img): """ 投影法估计整图旋转角度 原理：文字行方向的像素投影方差更大 """ gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 二值化，文字为白，背景为黑 _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 水平投影和垂直投影的方差 h_proj = np.sum(binary, axis=1) v_proj = np.sum(binary, axis=0) h_var = np.var(h_proj) v_var = np.var(v_proj) # 水平投影方差大，说明文字是横排的，图方向正常 if h_var >= v_var: return 0 else: return 90 def ocr_with_rotation(img_path): """完整的旋转校正 + 识别流程""" img = cv2.imread(img_path) # 第一步：投影法粗判 angle = estimate_angle_by_projection(img) # 第二步：如果粗判为 90 度，再确认是 90 还是 270 if angle == 90: rotated_90 = rotate_image(img, 90) rotated_270 = rotate_image(img, 270) # 用检测框宽高比来区分 90 和 270 score_90 = check_text_orientation(rotated_90) score_270 = check_text_orientation(rotated_270) angle = 90 if score_90 >= score_270 else 270 # 第三步：旋转校正 corrected = rotate_image(img, angle) # 第四步：送入 PaddleOCR 识别 result = ocr.ocr(corrected, cls=True) return result, angle def check_text_orientation(img): """用检测框宽高比打分，分数越高说明方向越正""" result = ocr.ocr(img, det=True, rec=False, cls=False) if not result or not result[0]: return 0 ratios = [] for box in result[0]: box = np.array(box) box_w = np.linalg.norm(box[0] - box[1]) box_h = np.linalg.norm(box[1] - box[2]) if box_h > 0: ratios.append(box_w / box_h) return np.mean(ratios) if ratios else 0

逻辑说明：estimate_angle_by_projection用投影方差做粗判，这一步很快，不需要跑模型。如果粗判结果是 90 度，再用check_text_orientation分别对旋转 90 度和 270 度的图跑一次检测，看哪个方向的文本框宽高比更正常。最后用rotate_image做校正，再走完整的识别流程。

参数说明：cv2.threshold里的THRESH_OTSU是自动阈值，适合光照均匀的扫描件。如果图片光照不均，建议先做自适应直方图均衡化（CLAHE）再二值化。check_text_orientation里没有设阈值，直接比大小，因为这一步只是二选一，不需要绝对判断。

3.2 把方向分类模型接进来

投影法在纯文字文档上够用，但遇到票据、表格、图文混排就不太稳。这时候可以训一个四分类模型接进来。下面是一个基于 PaddleClas 的四分类训练配置示例：

# 方向分类模型训练配置（基于 PaddleClas 的轻量骨干） # 数据目录结构： # dataset/ # train/ # 0/ # 正常方向 # 90/ # 180/ # 270/ # val/ # 0/ # 90/ # 180/ # 270/ import paddle from paddle.vision.transforms import Compose, Resize, Normalize, ToTensor # 输入尺寸用 224x224，方向分类不需要太大分辨率 train_transform = Compose([ Resize((224, 224)), Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ToTensor() ]) # 骨干网络选 MobileNetV3，推理速度快，适合批量场景 # 如果准确率不够再换 ResNet18 model = paddle.vision.models.mobilenet_v3_small(pretrained=True) # 替换最后的分类头为 4 分类 model.classifier[3] = paddle.nn.Linear(1024, 4)

逻辑说明：方向分类是个很简单的任务，不需要大模型。MobileNetV3-small 在 224x224 输入下，单张推理时间在 CPU 上大概 10-20ms，完全能接受。数据增强不要做随机旋转，因为旋转会改变标签含义——这是方向分类和普通图像分类最大的区别。

参数说明：Resize((224, 224))是标准输入，如果你的图片长宽比很极端（比如很长的票据），建议先 padding 成正方形再 resize，否则文字会被压扁。学习率用 0.001，batch size 32，训 20 个 epoch 基本就收敛了。

3.3 批量处理的工程化细节

单张图跑通之后，批量场景要考虑三件事：并发、缓存、失败重试。

import os from concurrent.futures import ThreadPoolExecutor from functools import lru_cache @lru_cache(maxsize=128) def cached_orientation(img_path, mtime): """带缓存的方判判断，mtime 用于缓存失效""" img = cv2.imread(img_path) return estimate_angle_by_projection(img) def batch_process(img_dir, output_dir, max_workers=4): """批量处理目录下所有图片""" os.makedirs(output_dir, exist_ok=True) img_files = [f for f in os.listdir(img_dir) if f.lower().endswith(('.jpg', '.png', '.jpeg'))] def process_one(fname): img_path = os.path.join(img_dir, fname) try: mtime = os.path.getmtime(img_path) angle = cached_orientation(img_path, mtime) img = cv2.imread(img_path) corrected = rotate_image(img, angle) out_path = os.path.join(output_dir, fname) cv2.imwrite(out_path, corrected) return fname, angle, 'ok' except Exception as e: return fname, -1, str(e) with ThreadPoolExecutor(max_workers=max_workers) as executor: results = list(executor.map(process_one, img_files)) # 统计失败项 failed = [r for r in results if r[2] != 'ok'] return results, failed

逻辑说明：lru_cache做方向判断的缓存，避免同一张图重复计算。ThreadPoolExecutor做并发，max_workers不要设太大，PaddleOCR 推理本身会占 CPU，设 4 左右比较稳。失败项单独收集，方便后续排查。

参数说明：max_workers=4是我在 8 核机器上的经验值，如果你的机器核数少，降到 2。缓存 key 里带mtime是为了图片被替换后缓存能失效，这个细节很多人会漏。

4. 旋转校正里的避坑与排查

4.1 坑一：投影法把竖排文字误判成旋转

现象：一批竖版排版的文档（比如某些证书、竖排标签），投影法判断为 90 度，转正后反而识别不了。

原因：投影法假设文字是横排的，遇到真正的竖排文字，垂直投影方差会更大，被误判为需要旋转。

解决：在投影法之前加一个判断——如果检测到的文本框本身就是竖长的，且数量占比超过 60%，就不做旋转。或者直接上四分类模型，让模型学竖排文字的特征。

4.2 坑二：旋转后坐标没跟着转，框画歪了

现象：图片转正了，识别也对了，但可视化的时候检测框位置全错。

原因：PaddleOCR 返回的坐标是相对于输入图片的，你在外面做了旋转，坐标没有做对应的变换。

解决：如果只是要识别结果，不用管坐标。如果要可视化，旋转后的坐标要按同样的角度变换回去。90 度旋转的坐标变换公式是(x, y) -> (h - y, x)，注意宽高互换。

4.3 坑三：cls 模型对 90 度旋转无能为力

现象：开了use_angle_cls=True，但 90 度旋转的图还是识别失败。

原因：前面说过，PaddleOCR 的 cls 模型只做 0/180 度二分类，它不处理 90 度。

解决：整图 90 度的问题必须在送入 PaddleOCR 之前解决，不要指望 cls 模型。这是最常见的认知误区，我见过不少同行在这里卡了很久。

4.4 坑四：小角度倾斜被当成旋转问题处理

现象：图片只倾斜了 5-10 度，但用整图旋转去校正，转完反而更歪。

原因：整图旋转只能处理 90 度的整数倍，小角度倾斜需要的是仿射变换或透视变换。

解决：小角度倾斜交给 PaddleOCR 的检测框角度回归，或者用霍夫变换检测文本行角度后做仿射校正。不要用 90 度旋转的逻辑去处理小角度。

4.5 坑五：批量处理时内存爆了

现象：处理几千张图时，程序跑着跑着 OOM。

原因：PaddleOCR 实例在并发场景下会重复加载模型，或者图片没有及时释放。

解决：PaddleOCR 实例全局初始化一次，不要在每个线程里 new。图片处理完手动del img，或者用生成器逐张读。max_workers不要超过 CPU 核数。

5. 一个提高方向判断准确率的小技巧

前面讲的投影法和四分类模型，各有各的边界。我在实际项目里最后收敛到一个组合策略：先用投影法做快速筛选，只对「投影法置信度低」的图片走模型判断。这样既省了模型推理的开销，又补上了投影法的短板。

具体做法是给投影法加一个置信度分数：

def estimate_angle_with_confidence(img): """ 返回 (angle, confidence) confidence 越高说明投影法越可信 """ gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) h_proj = np.sum(binary, axis=1).astype(np.float32) v_proj = np.sum(binary, axis=0).astype(np.float32) h_var = np.var(h_proj) v_var = np.var(v_proj) # 置信度 = 两个方差差异的相对大小 total = h_var + v_var if total == 0: return 0, 0.0 confidence = abs(h_var - v_var) / total angle = 0 if h_var >= v_var else 90 return angle, confidence def smart_orientation(img, model_predict_fn, threshold=0.3): """ 组合策略：投影法置信度高于阈值直接用， 否则走模型 """ angle, conf = estimate_angle_with_confidence(img) if conf >= threshold: return angle, 'projection' else: # model_predict_fn 是你训好的四分类模型推理函数 return model_predict_fn(img), 'model'

逻辑说明：confidence是两个投影方差差异占总和的比例。如果文字方向很明确，这个值会接近 1；如果图片里文字很少或者图文混排，这个值会很低。threshold=0.3是我在票据场景下调出来的，低于这个值就交给模型。

参数说明：threshold需要根据你的场景调。纯文档场景可以设 0.2，票据场景建议 0.3-0.4。模型推理函数model_predict_fn返回 0/90/180/270 中的一个。

这个组合策略在我经手的几个批量项目里，把方向判断的准确率从纯投影法的 85% 左右提到了 97% 以上，同时模型调用量只有全量走模型的 30% 左右。省下来的推理时间在万张级别的批量任务里很可观。

最后说个我自己的习惯：每次上线新的方向判断逻辑之前，先拿 200 张「已知方向」的图跑一遍混淆矩阵，看清楚 90 和 270 之间有没有系统性混淆。这两个方向在投影法里经常打架，提前发现比上线后返工强。希望帮到你。

本文还有配套的精品资源，点击获取