【AI实践】PaddleOCR模型PP-OCRv5上手
背景
paddleocr模型最近破圈，报道开了
本文旨在快速上手，为后续的评测做环境和模型产线基本流程梳理。
- 关键词：OCR，AI能力
- 目的：环境搭建，快速上手，流程熟悉
- 难度：低；
快速上手
官方网站
https://github.com/PaddlePaddle/PaddleOCR?tab=readme-ov-file
部署安装
conda create -n paddleocr
conda activate paddleocr
python -m pip install paddleocr --break-system-packages
pip install paddlepaddle --break-system-packages测试demo
测试代码来自官网4.1章节，增加了本地和在线图片的分类调用
# docs:
# https://github.com/PaddlePaddle/PaddleOCR?tab=readme-ov-file# Initialize PaddleOCR instance
from paddleocr import PaddleOCR
ocr = PaddleOCR(use_doc_orientation_classify=False,use_doc_unwarping=False,use_textline_orientation=False)# Run OCR inference on a sample image
# online image URL
# result = ocr.predict(
# input="https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/general_ocr_002.png")# local image path
result = ocr.predict("./general_ocr_002.png")# Visualize the results and save the JSON results
for res in result:res.print()res.save_to_img("output")res.save_to_json("output")
备注：
- 首次运行，会下载模型库，耗时略长（1分钟）；第二次运行几秒；
- 即使首次下载的模型库，第二次运行，也无法断网运行；
根据PP-OCRv5文档
https://www.paddleocr.ai/latest/version3.x/pipeline_usage/OCR.html，本文档提供了代码解析，当然也可以使用vscode自带的copilot进行分析
开发部署
https://www.paddleocr.ai/latest/version3.x/pipeline_usage/OCR.html
根据这个文档，有高性能推理（比如使用CPU进行加速）和服务化部署（http API）2个方案。
本文暂不涉及，略。
二次开发
根据特定领域或应用场景的数据，对现有模型进行进一步的微调，提升精度或速度。
首先，根据业务场景中的数据，跑base 模型，根据badcase进行聚类分析，找到模型产线中具体哪个模块效果差，进行针对性微调。
微调完成后，通过参数配置或者yaml配置文件 ，指定微调后的本地模型路径。
应用UI
Output JSON 文件是 PaddleOCR 对图片 general_ocr_002.png 的识别结果，有时候我们需要把图片上的识别结果进行其它交互。比如英语教材上的单词，点击图片，指导阅读。
字段说明
- input_path
图片路径。 - model_settings / doc_preprocessor_res
PaddleOCR 的模型参数设置和预处理结果。 - dt_polys / rec_polys / rec_boxes
检测到的文本区域的多边形坐标和矩形框坐标。 - rec_texts
识别出的文本内容列表。例如：
["登机牌", "BOARDING", "PASS", "日期DATE", "舱位", ...]- rec_scores
每个识别文本的置信度分数，越接近 1 表示识别越准确。 - text_det_params
文本检测的参数设置。 - text_type
识别类型（如 "general"）。 - textline_orientation_angles
每行文本的方向角度（此处均为 -1，表示未检测到角度）。
结果解读
- PaddleOCR 检测并识别了 33 个文本区域，每个区域都给出了位置坐标和识别结果。
- 识别文本包括中英文、数字等，内容与登机牌相关（如“登机牌”、“BOARDING PASS”、“日期DATE”、“座位号”、“航班FLIGHT”等）。
- 置信度分数大多在 0.97 以上，说明识别结果较为可靠。
- 每个文本区域都给出了多边形和矩形框坐标，可用于后续可视化或定位。
应用交互
我们对结果的字段分别解析，如有相关的应用，可以做对应的交互，比如触屏点击/鼠标滑词某个区域，可以复制，播报等其它交互。