识别里面的"菜品名"与"点菜数量"只有出现黑色打勾的行才算点菜，如果价格“XX元”后面出现了手写数字，则该手写数字为“点菜数量”，否则“点菜数量”默认为1“菜品名”永远原样输出“·······”之前的文本，不要自行篡改菜品名，比如，严禁将“炒二冬”自行改名“炒冬笋”
只输出 YAML，严格使用以下格式：
菜品名A: 点菜数量
菜品名B: 点菜数量
举例：
溪水石斑鱼: 1
手抓羊排: 1
除 YAML本体 外不要输出任何解释、前后缀、标题或 Markdown code fence
试了下 GLM-5V-Turbo、qwen3.6plus、qwen3 VL plus、minimax2.7、kimi k2.5 、gemini3.1pro没一个能识别对的，难道是我姿势不对？
这玩意儿其实挺折腾的，我之前也试过，换了好几个模型，准确率都不行。后来发现可能是图片预处理的问题，得先把图片弄清晰点，对比度调高，手写数字单独做个区域检测，再喂给模型。直接扔张图进去，模型自己找关键信息，很容易出错。
没用过别碰。
是不是对图片分辨率有要求啊？小白问一下，会不会是上传的图太模糊了？
来，mark一下，等个靠谱方案。
跑个题，这家店的菜看着不错啊，是哪儿的馆子？
楼主试了那么多模型，有没有调整过 prompt 的写法？比如把“只有出现黑色打勾的行才算点菜”这句话放在更靠前的位置？另外，那个“·······”之前的文本提取，是用正则还是让模型自己切？我怀疑模型可能把点当成了省略号的一部分，导致截取出错。
你这要求也太细了，又要认勾又要选手写数字，还要原样输出菜品名。现在这些通用视觉模型，能大概看懂图里是菜单就不错了，细节规则还得自己写代码处理。我建议别指望一个模型全搞定，拆开几步：先检测表格行和勾的位置，再 OCR 识别文字，最后自己写逻辑判断数量和清洗菜名。
哎呦喂，又来这种帖子了，指望模型百分百按你定的规矩出牌？醒醒吧，还是得自己写规则兜底。
感觉这类场景对光线和角度要求很高，固定摄像头才好做
菜单识别这种细节规则光靠通用视觉模型撑不住
之前用过类似的方案，速度快不代表正确率高，手写体真是噩梦
对，OpenCV预处理加PaddleOCR定位再代码兜规则才稳