diff --git a/docs/version3.x/algorithm/PP-StructureV3/PP-StructureV3.en.md b/docs/version3.x/algorithm/PP-StructureV3/PP-StructureV3.en.md index fb85f131ac..4f234883b8 100644 --- a/docs/version3.x/algorithm/PP-StructureV3/PP-StructureV3.en.md +++ b/docs/version3.x/algorithm/PP-StructureV3/PP-StructureV3.en.md @@ -307,7 +307,6 @@ The above data is from: * Paddle 3.0 * PaddleOCR 3.0.0 -* PaddleX 3.0.0 * MinerU 1.3.10 * CUDA 11.8 * cuDNN 8.9 @@ -518,14 +517,14 @@ Use default configuration. Success Number/Total Number - 4卡*1 + 4 GPUs * 1 4 1.69 2.36 1 - 4卡*4 + 4 GPUs * 4 16 4.05 3.87 diff --git a/docs/version3.x/algorithm/PP-StructureV3/PP-StructureV3.md b/docs/version3.x/algorithm/PP-StructureV3/PP-StructureV3.md index a9a3217987..92a9f44178 100644 --- a/docs/version3.x/algorithm/PP-StructureV3/PP-StructureV3.md +++ b/docs/version3.x/algorithm/PP-StructureV3/PP-StructureV3.md @@ -307,7 +307,6 @@ * Paddle 3.0正式版 * PaddleOCR 3.0.0正式版 -* PaddleX 3.0.0正式版 * MinerU 1.3.10 * CUDA 11.8 * cuDNN 8.9 @@ -315,98 +314,6 @@ ## 3.2 测试数据 1. 本地推理 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Pipeline ConfigurationsAverage time per page (s)Average CPU (%)Peak RAM Usage (MB)Average RAM Usage (MB)Average GPU (%)Peak VRAM Usage (MB)Average VRAM Usage (MB)
PP-StructureV3Basic1.77111.46822.45278.238.91740316909.3
Use chart recognition pipeline4.09105.356284085.124.71740317030.9
Use PP-OCRv5_mobile_det + PP-OCRv5_mobile_rec1.56113.76712.9505229.11092910840.7
Use PP-FormulaNet_plus-M1.42112.96944.15193.6381639015840
Use PP-OCRv5_mobile_det + PP-OCRv5_mobile_rec + PP-FormulaNet_plus-M1.15114.86666.55105.426.186068517.2
Use PP-OCRv5_mobile_det + PP-OCRv5_mobile_rec + PP-FormulaNet_plus-M, and max input length of text detection set to 12000.991137172.95686.429.287768680.8
MinerU-1.57142.913655.81208343.3324069915.4
- 测试硬件：NVIDIA Tesla V100 + Intel Xeon Gold 6271C @@ -601,14 +508,14 @@
- - - - - + + + + + - 4卡*1 + diff --git a/docs/version3.x/module_usage/doc_img_orientation_classification.md b/docs/version3.x/module_usage/doc_img_orientation_classification.md index 24291b216c..7336b4b465 100644 --- a/docs/version3.x/module_usage/doc_img_orientation_classification.md +++ b/docs/version3.x/module_usage/doc_img_orientation_classification.md @@ -168,7 +168,7 @@ for res in output:
Instances NumberConcurrent Requests NumberThroughputAverage Latency (s)Success Number/Total Number实例数并发请求数吞吐平均时延（s）成功请求数/总请求数
4卡*1 4 1.69 2.36
-* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用 PaddleX 内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 +* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 * 调用文档图像方向分类模型的 `predict()` 方法进行推理预测，该方法会返回一个结果列表。另外，本模块还提供了 `predict_iter()` 方法。两者在参数接受和结果返回方面是完全一致的，区别在于 `predict_iter()` 返回的是一个 `generator`，能够逐步处理和获取预测结果，适合处理大型数据集或希望节省内存的场景。可以根据实际需求选择使用这两种方法中的任意一种。`predict()` 方法参数有 `input` 和 `batch_size`，具体说明如下： diff --git a/docs/version3.x/module_usage/doc_vlm.md b/docs/version3.x/module_usage/doc_vlm.md index 3a723bcf4c..1b52ed804d 100644 --- a/docs/version3.x/module_usage/doc_vlm.md +++ b/docs/version3.x/module_usage/doc_vlm.md @@ -148,7 +148,7 @@ for res in results: -* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用 PaddleX 内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 +* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 * 调用文档类视觉语言模型的 `predict()` 方法进行推理预测，该方法会返回一个结果列表。另外，本模块还提供了 `predict_iter()` 方法。两者在参数接受和结果返回方面是完全一致的，区别在于 `predict_iter()` 返回的是一个 `generator`，能够逐步处理和获取预测结果，适合处理大型数据集或希望节省内存的场景。可以根据实际需求选择使用这两种方法中的任意一种。`predict()` 方法参数有 `input` 、 `batch_size`，具体说明如下： diff --git a/docs/version3.x/module_usage/formula_recognition.md b/docs/version3.x/module_usage/formula_recognition.md index b54950f426..60eabc3aeb 100644 --- a/docs/version3.x/module_usage/formula_recognition.md +++ b/docs/version3.x/module_usage/formula_recognition.md @@ -186,7 +186,7 @@ sudo apt-get install texlive texlive-latex-base texlive-xetex latex-cjk-all texl model_name 模型名称 str -所有PaddleX支持的模型名称 +所有支持的模型名称 无 @@ -219,7 +219,7 @@ sudo apt-get install texlive texlive-latex-base texlive-xetex latex-cjk-all texl -* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用 PaddleX 内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 +* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 * 调用公式识别模型的 `predict()` 方法进行推理预测，该方法会返回一个结果列表。另外，本模块还提供了 `predict_iter()` 方法。两者在参数接受和结果返回方面是完全一致的，区别在于 `predict_iter()` 返回的是一个 `generator`，能够逐步处理和获取预测结果，适合处理大型数据集或希望节省内存的场景。可以根据实际需求选择使用这两种方法中的任意一种。`predict()` 方法参数有 `input` 和 `batch_size`，具体说明如下： diff --git a/docs/version3.x/module_usage/seal_text_detection.md b/docs/version3.x/module_usage/seal_text_detection.md index 5667f70046..65cfdb6193 100644 --- a/docs/version3.x/module_usage/seal_text_detection.md +++ b/docs/version3.x/module_usage/seal_text_detection.md @@ -45,7 +45,7 @@ comments: true
  • 性能测试环境
      -
    • 测试数据集：PaddleX自建数据集，包含500张圆形印章图像。
      • +
    • 测试数据集：自建的内部数据集，包含500张圆形印章图像。
    • 硬件配置：
      • GPU：NVIDIA Tesla T4
        • @@ -145,7 +145,7 @@ for res in output: model_name 模型名称 str -所有PaddleX支持的印章文本检测模型名称 +所有支持的印章文本检测模型名称 无 @@ -204,18 +204,6 @@ for res in output:
        • float: 大于0的任意浮点数
        • None: 如果设置为None, 将使用默认值：0.6
        - -None - - -max_candidates -输出的最大文本框数量 -int/None - -
          -
        • int: 大于0的任意整数 -
        • None: 如果设置为None, 将默认使用PaddleX官方模型配置中的该参数值
        - None @@ -226,7 +214,6 @@ for res in output:
        • float: 大于0的任意浮点数
        • None: 如果设置为None, 将使用默认值：0.5
        - None @@ -252,7 +239,7 @@ for res in output: -* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用 PaddleX 内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 +* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 * 调用印章文本检测模型的 `predict()` 方法进行推理预测，该方法会返回一个结果列表。另外，本模块还提供了 `predict_iter()` 方法。两者在参数接受和结果返回方面是完全一致的，区别在于 `predict_iter()` 返回的是一个 `generator`，能够逐步处理和获取预测结果，适合处理大型数据集或希望节省内存的场景。可以根据实际需求选择使用这两种方法中的任意一种。`predict()` 方法参数有 `input`、 `batch_size`、 `limit_side_len`、 `limit_type`、 `thresh`、 `box_thresh`、 `max_candidates`、`unclip_ratio`和`use_dilation`，具体说明如下： diff --git a/docs/version3.x/module_usage/table_cells_detection.md b/docs/version3.x/module_usage/table_cells_detection.md index 1e2981332b..f972aa0812 100644 --- a/docs/version3.x/module_usage/table_cells_detection.md +++ b/docs/version3.x/module_usage/table_cells_detection.md @@ -40,7 +40,7 @@ comments: true
        • 性能测试环境
            -
          • 测试数据集：PaddleX 内部自建评测集。
            • +
          • 测试数据集：自建的内部评测集。
          • 硬件配置：
            • GPU：NVIDIA Tesla T4
              • @@ -170,7 +170,7 @@ for res in output: img_size -输入图像大小；如果不指定，将默认使用PaddleX官方模型配置 +输入图像大小 int/list
                @@ -182,7 +182,7 @@ for res in output: threshold -用于过滤掉低置信度预测结果的阈值；如果不指定，将默认使用PaddleX官方模型配置。在表格单元格检测任务中，适当降低阈值可能有助于获得更准确的结果 +用于过滤掉低置信度预测结果的阈值。在表格单元格检测任务中，适当降低阈值可能有助于获得更准确的结果 float/dict
                  @@ -194,7 +194,7 @@ for res in output: -* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用 PaddleX 内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 +* 其中，`model_name` 必须指定，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 * 调用表格单元格检测模型的 `predict()` 方法进行推理预测，该方法会返回一个结果列表。另外，本模块还提供了 `predict_iter()` 方法。两者在参数接受和结果返回方面是完全一致的，区别在于 `predict_iter()` 返回的是一个 `generator`，能够逐步处理和获取预测结果，适合处理大型数据集或希望节省内存的场景。可以根据实际需求选择使用这两种方法中的任意一种。`predict()` 方法参数有 `input`、`batch_size`和`threshold`，具体说明如下： @@ -232,7 +232,7 @@ for res in output: threshold -用于过滤掉低置信度预测结果的阈值；如果不指定，将默认使用 creat_model 指定的 threshold 参数，如果 creat_model 也没有指定，则默认使用PaddleX官方模型配置 +用于过滤掉低置信度预测结果的阈值 float/dict
                    diff --git a/docs/version3.x/module_usage/table_classification.md b/docs/version3.x/module_usage/table_classification.md index 979a053862..42111b856a 100644 --- a/docs/version3.x/module_usage/table_classification.md +++ b/docs/version3.x/module_usage/table_classification.md @@ -32,7 +32,7 @@ comments: true
                    • 性能测试环境
                        -
                      • 测试数据集：PaddleX 内部自建评测数据集。
                        • +
                      • 测试数据集：自建的内部评测数据集。
                      • 硬件配置：
                        • GPU：NVIDIA Tesla T4
                          • @@ -158,7 +158,7 @@ for res in output: -* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用 PaddleX 内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 +* 其中，`model_name` 必须指定，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 * 调用表格分类模型的 `predict()` 方法进行推理预测，该方法会返回一个结果列表。另外，本模块还提供了 `predict_iter()` 方法。两者在参数接受和结果返回方面是完全一致的，区别在于 `predict_iter()` 返回的是一个 `generator`，能够逐步处理和获取预测结果，适合处理大型数据集或希望节省内存的场景。可以根据实际需求选择使用这两种方法中的任意一种。`predict()` 方法参数有 `input` 和 `batch_size`，具体说明如下： @@ -270,8 +270,6 @@ for res in output: -关于更多 PaddleX 的单模型推理的 API 的使用方法，可以参考[PaddleX单模型Python脚本使用说明](../../instructions/model_python_API.md)。 - ## 四、二次开发 由于 PaddleOCR 并不直接提供表格分类模块的训练，因此，如果需要训练表格分类模型，可以参考 [PaddleX 表格分类模块二次开发](https://paddlepaddle.github.io/PaddleX/latest/module_usage/tutorials/ocr_modules/table_classification.html#_4)部分进行训练。训练后的模型可以无缝集成到 PaddleOCR 的 API 中进行推理。 diff --git a/docs/version3.x/module_usage/table_structure_recognition.md b/docs/version3.x/module_usage/table_structure_recognition.md index 153eae189e..899b96bf47 100644 --- a/docs/version3.x/module_usage/table_structure_recognition.md +++ b/docs/version3.x/module_usage/table_structure_recognition.md @@ -56,7 +56,7 @@ comments: true
                          • 性能测试环境
                              -
                            • 测试数据集：PaddleX 内部自建高难度中文表格识别数据集。
                              • +
                            • 测试数据集：内部自建的高难度中文表格识别数据集。
                            • 硬件配置：
                              • GPU：NVIDIA Tesla T4
                                • @@ -147,7 +147,7 @@ for res in output: model_name 模型名称 str -所有PaddleX支持的模型名称 +所有支持的模型名称 无 @@ -180,7 +180,7 @@ for res in output: -* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用 PaddleX 内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 +* 其中，`model_name` 必须指定，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 * 调用表格结构识别模型的 `predict()` 方法进行推理预测，该方法会返回一个结果列表。另外，本模块还提供了 `predict_iter()` 方法。两者在参数接受和结果返回方面是完全一致的，区别在于 `predict_iter()` 返回的是一个 `generator`，能够逐步处理和获取预测结果，适合处理大型数据集或希望节省内存的场景。可以根据实际需求选择使用这两种方法中的任意一种。`predict()` 方法参数有 `input` 和 `batch_size`，具体说明如下： diff --git a/docs/version3.x/module_usage/text_detection.md b/docs/version3.x/module_usage/text_detection.md index 276658c567..a672b462a9 100644 --- a/docs/version3.x/module_usage/text_detection.md +++ b/docs/version3.x/module_usage/text_detection.md @@ -163,7 +163,7 @@ for res in output: model_name 模型名称 str -所有PaddleX支持的文本检测模型名称 +所有支持的文本检测模型名称 无 @@ -186,8 +186,7 @@ for res in output: int/None
                                  -
                                • int: 大于0的任意整数 -
                                • None: 如果设置为None, 将默认使用PaddleX官方模型配置中的该参数值
                                +
                              • int: 大于0的任意整数
                              None @@ -197,8 +196,7 @@ for res in output: str/None
                                -
                              • str: 支持min和max. min表示保证图像最短边不小于det_limit_side_len, max: 表示保证图像最长边不大于limit_side_len -
                              • None: 如果设置为None, 将默认使用PaddleX官方模型配置中的该参数值
                              +
                            • str: 支持min和max. min表示保证图像最短边不小于det_limit_side_len, max: 表示保证图像最长边不大于limit_side_len。
                            None @@ -210,7 +208,7 @@ for res in output:
                            • float: 大于0的任意浮点数 -
                            • None: 如果设置为None, 将默认使用PaddleX官方模型配置中的该参数值
                            +
                          None @@ -221,7 +219,7 @@ for res in output:
                          • float: 大于0的任意浮点数 -
                          • None: 如果设置为None, 将默认使用PaddleX官方模型配置中的该参数值
                          +
                        None @@ -232,7 +230,7 @@ for res in output:
                        • float: 大于0的任意浮点数 -
                        • None: 如果设置为None, 将默认使用PaddleX官方模型配置中的该参数值
                        +
                      None diff --git a/docs/version3.x/module_usage/text_image_unwarping.md b/docs/version3.x/module_usage/text_image_unwarping.md index 9e524fc230..f86e849a37 100644 --- a/docs/version3.x/module_usage/text_image_unwarping.md +++ b/docs/version3.x/module_usage/text_image_unwarping.md @@ -127,7 +127,7 @@ for res in output: model_name 模型名称 str -所有PaddleX支持的模型名称 +所有支持的模型名称 无 @@ -160,7 +160,7 @@ for res in output: -* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用 PaddleX 内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 +* 其中，`model_name` 必须指定，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 * 调用图像矫正模型的 `predict()` 方法进行推理预测，该方法会返回一个结果列表。另外，本模块还提供了 `predict_iter()` 方法。两者在参数接受和结果返回方面是完全一致的，区别在于 `predict_iter()` 返回的是一个 `generator`，能够逐步处理和获取预测结果，适合处理大型数据集或希望节省内存的场景。可以根据实际需求选择使用这两种方法中的任意一种。`predict()` 方法参数有 `input` 和 `batch_size`，具体说明如下： diff --git a/docs/version3.x/module_usage/text_line_orientation_classification.md b/docs/version3.x/module_usage/text_line_orientation_classification.md index 76551e60f3..b88d009839 100644 --- a/docs/version3.x/module_usage/text_line_orientation_classification.md +++ b/docs/version3.x/module_usage/text_line_orientation_classification.md @@ -168,7 +168,7 @@ for res in output: -* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用 PaddleX 内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 +* 其中，`model_name` 必须指定，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 * 调用文本行方向分类模型的 `predict()` 方法进行推理预测，该方法会返回一个结果列表。另外，本模块还提供了 `predict_iter()` 方法。两者在参数接受和结果返回方面是完全一致的，区别在于 `predict_iter()` 返回的是一个 `generator`，能够逐步处理和获取预测结果，适合处理大型数据集或希望节省内存的场景。可以根据实际需求选择使用这两种方法中的任意一种。`predict()` 方法参数有 `input` 和 `batch_size`，具体说明如下： diff --git a/docs/version3.x/module_usage/text_recognition.md b/docs/version3.x/module_usage/text_recognition.md index c53ed3bcdd..19a1a8b1be 100644 --- a/docs/version3.x/module_usage/text_recognition.md +++ b/docs/version3.x/module_usage/text_recognition.md @@ -452,7 +452,7 @@ for res in output: model_name 模型名称 str -所有PaddleX支持的模型名称 +所有支持的模型名称 无 @@ -485,7 +485,7 @@ for res in output: -* 其中，`model_name` 必须指定，指定 `model_name` 后，默认使用 PaddleX 内置的模型参数，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 +* 其中，`model_name` 必须指定，在此基础上，指定 `model_dir` 时，使用用户自定义的模型。 * 调用文本识别模型的 `predict()` 方法进行推理预测，该方法会返回一个结果列表。另外，本模块还提供了 `predict_iter()` 方法。两者在参数接受和结果返回方面是完全一致的，区别在于 `predict_iter()` 返回的是一个 `generator`，能够逐步处理和获取预测结果，适合处理大型数据集或希望节省内存的场景。可以根据实际需求选择使用这两种方法中的任意一种。`predict()` 方法参数有 `input` 和 `batch_size`，具体说明如下： diff --git a/docs/version3.x/pipeline_usage/PP-ChatOCRv4.en.md b/docs/version3.x/pipeline_usage/PP-ChatOCRv4.en.md index 36f88189f3..ac0d46d361 100644 --- a/docs/version3.x/pipeline_usage/PP-ChatOCRv4.en.md +++ b/docs/version3.x/pipeline_usage/PP-ChatOCRv4.en.md @@ -5,7 +5,7 @@ PP-ChatOCRv4-doc is a unique document and image intelligent analysis solution fr -The Document Scene Information Extraction v4 pipeline includes modules for **Layout Region Detection**, **Table Structure Recognition**, **Table Classification**, **Table Cell Localization**, **Text Detection**, **Text Recognition**, **Seal Text Detection**, **Text Image Rectification**, and **Document Image Orientation Classification**. The relevant models are integrated as sub-pipelines, and you can view the model configurations of different modules through the [pipeline configuration](../../../../paddlex/configs/pipelines/PP-ChatOCRv4-doc.yaml). +The Document Scene Information Extraction v4 pipeline includes modules for **Layout Region Detection**, **Table Structure Recognition**, **Table Classification**, **Table Cell Localization**, **Text Detection**, **Text Recognition**, **Seal Text Detection**, **Text Image Rectification**, and **Document Image Orientation Classification**. If you prioritize model accuracy, choose a model with higher accuracy. If you prioritize inference speed, select a model with faster inference. If you prioritize model storage size, choose a model with a smaller storage size. Benchmarks for some models are as follows: diff --git a/docs/version3.x/pipeline_usage/PP-ChatOCRv4.md b/docs/version3.x/pipeline_usage/PP-ChatOCRv4.md index 9528f542d7..c0fe33b0d1 100644 --- a/docs/version3.x/pipeline_usage/PP-ChatOCRv4.md +++ b/docs/version3.x/pipeline_usage/PP-ChatOCRv4.md @@ -10,7 +10,7 @@ PP-ChatOCRv4 是飞桨特色的文档和图像智能分析解决方案，结合 -PP-ChatOCRv4 产线中包含版面区域检测模块、表格结构识别模块、表格分类模块、表格单元格定位模块、文本检测模块、文本识别模块、印章文本检测模块、文本图像矫正模块、文档图像方向分类模块。其中相关的模型是以子产线的方式集成，您可以通过[产线配置](../../../../paddlex/configs/pipelines/PP-ChatOCRv4-doc.yaml)来查看不同模块的模型配置。 +PP-ChatOCRv4 产线中包含版面区域检测模块、表格结构识别模块、表格分类模块、表格单元格定位模块、文本检测模块、文本识别模块、印章文本检测模块、文本图像矫正模块、文档图像方向分类模块。 PP-ChatOCRv4 产线中包含以下9个模块。每个模块均可独立进行训练和推理，并包含多个模型。有关详细信息，请点击相应模块以查看文档。 diff --git a/docs/version3.x/pipeline_usage/seal_recognition.md b/docs/version3.x/pipeline_usage/seal_recognition.md index 923f84dc33..3bd55c8749 100644 --- a/docs/version3.x/pipeline_usage/seal_recognition.md +++ b/docs/version3.x/pipeline_usage/seal_recognition.md @@ -605,7 +605,7 @@ devanagari_PP-OCRv3_mobile_rec_infer.tar">推理模型/PaddleOCR算法模型挑战赛 - 赛题一：OCR端到端识别任务A榜评估集。
                    • ch_RepSVTR_rec：PaddleOCR算法模型挑战赛 - 赛题一：OCR端到端识别任务B榜评估集。
                    • 英文识别模型：自建的内部英文数据集。
                      • -
                    • 多语言识别模型：P自建的内部多语种数据集。
                      • +
                    • 多语言识别模型：自建的内部多语种数据集。
                    • 文本行方向分类模型：自建的内部数据集，覆盖证件和文档等多个场景，包含 1000 张图片。
                    • 印章文本检测模型：自建的内部数据集，包含500张圆形印章图像。