paddleocr安装，数据集制作，训练自己的模型，调用训练好的模型

PaddleOCR官网
PaddleOCR官网教程

一. PaddleOCR环境安装

cuda：cuda_11.8.0_522.06_windows
cudnn：cudnn-windows-x86_64-8.9.7.29_cuda11-archive

conda create -n paddleocr python=3.10

python -m pip install paddlepaddle-gpu==3.0.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/

pip install paddleocr -i https://pypi.mirrors.ustc.edu.cn/simple/

pip install paddleocr -i https://pypi.mirrors.ustc.edu.cn/simple/

git clone https://github.com/PaddlePaddle/PaddleOCR.git
cd PaddleOCR
pip install -r requirements.txt -i https://pypi.mirrors.ustc.edu.cn/simple/

二.OCR识别

from paddleocr import PaddleOCR
from datetime import datetime
import cv2ocr = PaddleOCR(use_doc_orientation_classify=False, # 通过 use_doc_orientation_classify 参数指定不使用文档方向分类模型use_doc_unwarping=False, # 通过 use_doc_unwarping 参数指定不使用文本图像矫正模型use_textline_orientation=False, # 通过 use_textline_orientation 参数指定不使用文本行方向分类模型
)img = cv2.imread("example_ocr.png")
x, y, w, h = 0, 0, 600, 111  # x, y 是左上角坐标，w 和 h 是宽度和高度
roi = img[y:y+h, x:x+w]  # 截取感兴趣区域
cv2.rectangle(roi, (250, 0), (385, 111), (255, 255, 255), -1)  # 绘制矩形
# cv2.imshow("1", roi)
# cv2.waitKey(0)
result = ocr.predict(roi)# 定义日期和时间的格式
datetime_format = '%Y-%m-%d%H:%M:%S'# 将合并后的字符串转换为 datetime 对象
datetime_obj = datetime.strptime(result[0]["rec_texts"][0] + result[0]["rec_texts"][1], datetime_format)
formatted_date = datetime_obj.strftime("%Y%m%d_%H%M%S")  # 输出格式为 "20250608_171034"
print(formatted_date)

PaddleOCR可选参数含义：

参数名	默认值	作用说明
input / -i	必填	要识别的图像、PDF 或文件夹路径
lang	“ch”	指定语言模型：ch, en, fr, japan, korean, german 等
ocr_version	“PP-OCRv5”	选择算法版本：PP-OCRv3 / v4 / v5 / v5_server 等
device	“gpu:0”	运行设备：cpu, gpu, gpu:1 …
use_doc_orientation_classify	False	是否启用整图方向分类（0°/90°/180°/270°）
use_doc_unwarping	False	是否对弯曲/倾斜文档做展平校正
use_textline_orientation	False	是否对每个文字行再做 180° 纠正
text_det_limit_side_len	960	检测阶段图片最长边限制，大图会被等比缩放
text_det_limit_type	“max”	缩放策略：max（按长边）或 min（按短边）
text_det_thresh	0.3	检测概率图二值化阈值，越大越严格
text_det_box_thresh	0.6	检测框置信度过滤阈值
text_det_unclip_ratio	1.5	检测框外扩比例，越大框越宽松
text_rec_score_thresh / drop_score	0.5	识别结果置信度过滤阈值，低于该值丢弃
save_path	“./output”	结果保存目录（命令行方式）
page_num	0	PDF 场景下要识别的前 N 页，0 表示全部
use_angle_cls	False	是否使用方向分类器（传统 cls 模型）
det_model_dir	内置	自定义检测模型路径
rec_model_dir	内置	自定义识别模型路径
cls_model_dir	内置	自定义方向分类模型路径
use_mp	False	是否开启多进程加速（CPU 场景）
cpu_threads	10	CPU 预测时的线程数
precision	“fp32”	计算精度：fp32, fp16, int8（TensorRT 下有效）
ir_optim	True	是否打开计算图优化
use_tensorrt	False	是否启用 TensorRT 加速
benchmark	False	是否开启 benchmark 日志统计耗时与显存

predict函数中可选参数的含义：

参数名	类型/默认值	作用说明
input	Any	要识别的原始输入，可以是图片路径、np.ndarray、PIL.Image、pdf 文件路径、甚至 http url 等。
use_doc_orientation_classify	bool / None	是否启用文档方向分类（0°/90°/180°/270°）。如果为 True，会在真正 OCR 前先把整个图片旋转到正向，提高后续文字检测和识别准确率。
use_doc_unwarping	bool / None	是否启用文档去畸变/展平（dewarping）。对拍摄的书页、折皱纸张、弯曲曲面等场景有效，先把曲面拉平再做 OCR。
use_textline_orientation	bool / None	是否启用单行文字方向分类。有些场景里，单行文字本身可能是竖排或旋转 180°，打开后会给每一行文字再做一次方向校正。
text_det_limit_side_len	int / None	检测阶段最长边限制。图片会先等比缩放，使长边 ≤ 该值；过大图片会被缩小以节省显存，过小会被放大以提高小字召回率。常见设置 960、1536、2048 等。
text_det_limit_type	str / None	当长边超过 limit_side_len 时的缩放方式。常见取值： - “max”（默认）——按长边比例整体缩放； - “min” ——按短边比例整体缩放； - “none” ——不缩放。
text_det_thresh	float / None	检测网络输出的概率图二值化阈值。值越大，检测框越少、越“有把握”，但容易漏检；值越小，框越多，容易引入噪声。典型 0.3~0.5。
text_det_box_thresh	float / None	对检测框再做一次置信度过滤的阈值。低于该值的框会被丢弃。通常比 text_det_thresh 稍高，如 0.5~0.6。
text_det_unclip_ratio	float / None	控制检测框“外扩”比例。检测网络给出的是文字区域的收缩核，需要按一定比例向外扩张才能包住完整文字。值越大，框越宽松，易粘连；值越小，框偏紧，可能切字。常用 1.5~2.0。
text_rec_score_thresh	float / None	识别阶段的置信度阈值。识别模型会给每个字符一个概率，整张文字行的平均概率低于该值就会被丢弃。一般设为 0.3~0.5，想更严格就调高。

三.标注自己的数据集

ppocrlabel官方教程

conda create -n ppocrlabel python=3.7
conda activate ppocrlabel
pip3 install --upgrade pip
python -m pip install paddlepaddle==2.5.2 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install PPOCRLabel -i https://pypi.tuna.tsinghua.edu.cn/simple
PPOCRLabel --lang ch

数据集划分

cd ./PPOCRLabel # 将目录切换到PPOCRLabel文件夹下
python gen_ocr_train_val_test.py --trainValTestRatio 8:2:0 --datasetRootPath E:\numberplate

四.训练自己的模型

PaddleOCR算法主要包含三个部分，分别是：

• DB文本检测(detection)
• 检测框矫正(classification)
• CRNN文本识别(recognition)

在训练时，这三个模型单独进行训练，得到三个模型的训练权重，在推理预测时会把三个模型整合在一起，即PaddleOCR推理模型的最终结果是由上述三个模型串联推理而得，推理步骤大致如下：

• 第一步，进行文本检测，得到文本位置的检测框；
• 第二步，根据得到的文本检测框对其进行角度分类；
• 第三步，进行文本识别。

训练自己的文字检测模型

官网教程

1. 准备数据集
   数据集下载地址:icdar2015数据集，首次下载需注册。
   
   数据集标签下载

   cd PaddleOCR/
   wget -P ./train_data/  https://paddleocr.bj.bcebos.com/dataset/train_icdar2015_label.txt
   wget -P ./train_data/  https://paddleocr.bj.bcebos.com/dataset/test_icdar2015_label.txt
   

   将下载好的图像和标签按以下路径进行存放：

   /PaddleOCR/train_data/icdar2015/text_localization/└─ icdar_c4_train_imgs/         icdar数据集的训练数据└─ icdar_c4_test_imgs/             icdar数据集的测试数据└─ train_icdar2015_label.txt    icdar数据集的训练标注└─ test_icdar2015_label.txt     icdar数据集的测试标注
   

2. 预训练模型下载
   预训练官网模型下载地址

3. 训练模型
   模型训练是根据yaml文件进行各个参数的配置的，配置文件在下载的代码目录：D:\code\PaddleOCR-main\configs\det\PP-OCRv5中
   其中主要修改训练数据集目录和与训练模型文件目录
   
   
   
   开始训练的脚本代码，其中-c configs/det/PP-OCRv5/PP-OCRv5_server_det.yml这个参数指定了你的训练配置文件

   python tools/train.py -c configs/det/PP-OCRv5/PP-OCRv5_server_det.yml
   

   出现以下则说明开始正常训练
   
   配置文件参数说明：

   Global:model_name: PP-OCRv5_server_det # 模型标识符，指定选用那个模型debug: false # 是否开启调试模式（false表示关闭）use_gpu: true # 是否使用GPU训练/推理（true启用GPU）epoch_num: &epoch_num 500 # 总训练轮数（设为500轮）log_smooth_window: 20 # 日志平滑窗口大小（取20个batch的损失平均值）print_batch_step: 10 # 每隔多少batch打印一次日志（每10个batch打印）save_model_dir: ./output/PP-OCRv5_server_det # 模型保存目录save_epoch_step: 10 # 每隔多少轮保存一次模型eval_batch_step: # 每隔多少轮进行一次评估- 0- 1500cal_metric_during_train: false # 训练中是否实时计算指标checkpoints: # 本地预训练模型路径pretrained_model: D:\code\PaddleOCR-main\models\PP-OCRv5_server_det_pretrained.pdparams # 预训练模型下载地址（官方提供的PPHGNetV2_B4权重）save_inference_dir: null # 转换后的推理模型保存目录use_visualdl: false # 是否使用VisualDL可视化工具infer_img: doc/imgs_en/img_10.jpg # 单张测试图片路径save_res_path: ./checkpoints/det_db/predicts_db.txt # 推理结果保存路径distributed: true # 是否使用分布式训练Architecture:model_type: det # 任务类型（det表示检测任务）algorithm: DB # 核心算法（DB即Differentiable Binarization）Transform: null # 输入图像预处理（null表示无需额外变换）Backbone:name: PPHGNetV2_B4 # 主干网络（PPHGNetV2_B4，高性能CNN）det: True # 是否为检测任务定制（true）Neck:name: LKPAN # 特征融合模块（LKPAN，改进的特征金字塔）out_channels: 256 # 输出通道数（256）intracl: true # 是否使用层内连接（true）Head:name: PFHeadLocal # 检测头类型（PFHeadLocal，渐进式特征头）k: 50 # 关键点数量（50）mode: "large" # 规模模式（large表示大模型）Loss:name: DBLoss # 损失类型（DBLoss，专用于DB算法）balance_loss: true # 是否平衡正负样本损失（true启用）main_loss_type: DiceLoss # 主损失函数（DiceLoss，处理类别不平衡）alpha: 5 # 二值图损失权重（5）beta: 10 # 阈值图损失权重（10）ohem_ratio: 3 # 难例挖掘比例（3:1的负/正样本比例）Optimizer:name: Adam # 优化器类型（Adam）beta1: 0.9 # Adam动量参数（0.9/0.999）beta2: 0.999 # Adam动量参数（0.9/0.999）lr:name: Cosine # 学习率调度策略（Cosine余弦退火）learning_rate: 0.001 #(8*8c) # 初始学习率（0.001）warmup_epoch: 2 # 学习率预热轮数（2轮）regularizer:name: L2 # 正则化方法（L2权重衰减）factor: 1e-6 # 正则化系数（1e-6）PostProcess:name: DBPostProcess # 后处理方法（DBPostProcess）thresh: 0.3 # 二值化阈值（0.3）box_thresh: 0.6 # 框得分阈值（高于0.6才保留）max_candidates: 1000 # 最大候选框数量（1000）unclip_ratio: 1.5 # 框扩展比例（1.5倍）Metric:name: DetMetric # 指标计算器（DetMetric）main_indicator: hmean # 核心评估指标（hmean即F1-score）Train:dataset:name: SimpleDataSet # 数据集类型（SimpleDataSet）data_dir: D:\code\PaddleOCR-main\train_data\icdar2015\text_localization\ # 训练数据目录（ICDAR2015路径）label_file_list: # 训练标签文件路径- D:\code\PaddleOCR-main\train_data\icdar2015\text_localization\train_icdar2015_label.txtratio_list: [1.0] # 数据采样比例（[1.0]表示全采样）transforms: # 数据增强流水线- DecodeImage: # 图像解码（BGR格式img_mode: BGRchannel_first: false- DetLabelEncode: null # 标签解析- CopyPaste: null # 复制粘贴增强- IaaAugment: # 多策略增强（翻转/旋转/缩放）augmenter_args:- type: Fliplrargs:p: 0.5- type: Affineargs:rotate:- -10- 10- type: Resizeargs:size:- 0.5- 3- EastRandomCropData: # 随机裁剪（640x640）size:- 640- 640max_tries: 50keep_ratio: true- MakeBorderMap: # 生成阈值图（配合DB算法）shrink_ratio: 0.4thresh_min: 0.3thresh_max: 0.7total_epoch: *epoch_num- MakeShrinkMap: # 生成二值图（文本区域收缩）shrink_ratio: 0.4min_text_size: 8total_epoch: *epoch_num- NormalizeImage: # 标准化（ImageNet均值/方差）scale: 1./255.mean:- 0.485- 0.456- 0.406std:- 0.229- 0.224- 0.225order: hwc- ToCHWImage: null # 转换张量维度（HWC → CHW）- KeepKeys: # 指定需保留的数据键keep_keys:- image- threshold_map- threshold_mask- shrink_map- shrink_maskloader:shuffle: true # 数据打乱（true）drop_last: false # 是否丢弃末尾不完整batch（false）batch_size_per_card: 8 # 单GPU batch大小（8）num_workers: 8 # 数据加载线程数（8）Eval:dataset:name: SimpleDataSetdata_dir: D:\code\PaddleOCR-main\train_data\icdar2015\text_localization\label_file_list:- D:\code\PaddleOCR-main\train_data\icdar2015\text_localization\test_icdar2015_label.txttransforms:- DecodeImage:img_mode: BGRchannel_first: false- DetLabelEncode: null- DetResizeForTest:- NormalizeImage:scale: 1./255.mean:- 0.485- 0.456- 0.406std:- 0.229- 0.224- 0.225order: hwc- ToCHWImage: null- KeepKeys:keep_keys:- image- shape- polys- ignore_tagsloader:shuffle: falsedrop_last: falsebatch_size_per_card: 1num_workers: 2
   profiler_options: null # 性能分析工具选项（null表示不启用）
   

4. 导出模型

   python tools/export_model.py -c configs/det/PP-OCRv5/PP-OCRv5_server_det.yml