当前位置：首页 > wzjs >正文

企业网上申报系统巩义网站优化技巧

wzjs 2025/9/21 21:31:57

企业网上申报系统,巩义网站优化技巧,做签名的网站,简单建站的网站EMO了几天我浪费了几天的生命，去研究PP-OCR的模型微调、从训练模型导出预测模型，结果一个坑接着一个坑，没有善终。找了好多资料，得到一些负面信息，比如说飞浆的团队修复问题不及时啦，代码仓库有好多年不…

EMO了几天

我浪费了几天的生命，去研究PP-OCR的模型微调、从训练模型导出预测模型，结果一个坑接着一个坑，没有善终。
找了好多资料，得到一些负面信息，比如说飞浆的团队修复问题不及时啦，代码仓库有好多年不更新啦，为了KPI而搞开源啦等等。
今天想着还是先把安卓端部署过程记录下来吧，忘掉那些不开心吧。

安卓端部署简介

如果直接用官方提供的模型去跑，其实还是挺香的，OCR是飞浆框架下最厉害的库了。
安卓部署官方也有demo的（当然是几年前的），PaddleOCR–deploy下去找，我也放到csdn下载了。

例子中使用的PP-OCRv2的模型，想想现在都PP-OCRv4了，是不是心中着急？

PaddleLite

想要在安卓端部署，需要飞浆下的另一个重要的库，PaddleLite。
Paddle Lite 是百度飞桨（PaddlePaddle）生态中的端侧推理引擎，专注于在移动设备、嵌入式设备和边缘计算场景中实现高效的深度学习模型部署。其核心目标是通过轻量化、高性能的优化技术，降低模型运行时的资源消耗，同时支持多种硬件平台和操作系统。
Demo中使用的是2.10版本，目录结构如下：

OpenCV

OpenCV的作用自然在负责图像处理部分。在安卓平台，它的用途还真是广泛的不得了。
Demo中使用的是4.2.0，目录结构如下：

PaddleOCR的模型和字典

模型文件和字典是程序运行后下载的，如下图：

App源码简介

代码结构依然是Java层+Native层。

Java代码

上层的业务逻辑，以及通过JNI调用Native层代码。结构如下：

Java层与Native层沟通仅仅用了三个方法，它们在OCRPredictorNative类中：

    protected native long init(String detModelPath, String recModelPath, String clsModelPath, int useOpencl, int threadNum, String cpuMode);protected native float[] forward(long pointer, Bitmap originalImage,int max_size_len, int run_det, int run_cls, int run_rec);protected native void release(long pointer);

Native层代码

源码结构如下图：

JNI的实现在native.cpp中，重点看forward方法的实现，OCR的处理逻辑及返回结果都在这里了。

extern "C" JNIEXPORT jfloatArray JNICALL
Java_com_baidu_paddle_lite_demo_ocr_OCRPredictorNative_forward(JNIEnv *env, jobject thiz, jlong java_pointer, jobject original_image,jint j_max_size_len, jint j_run_det, jint j_run_cls, jint j_run_rec) {LOGI("begin to run native forward");if (java_pointer == 0) {LOGE("JAVA pointer is NULL");return cpp_array_to_jfloatarray(env, nullptr, 0);}cv::Mat origin = bitmap_to_cv_mat(env, original_image);if (origin.size == 0) {LOGE("origin bitmap cannot convert to CV Mat");return cpp_array_to_jfloatarray(env, nullptr, 0);}int max_size_len = j_max_size_len;int run_det = j_run_det;int run_cls = j_run_cls;int run_rec = j_run_rec;ppredictor::OCR_PPredictor *ppredictor =(ppredictor::OCR_PPredictor *)java_pointer;std::vector<int64_t> dims_arr;std::vector<ppredictor::OCRPredictResult> results =ppredictor->infer_ocr(origin, max_size_len, run_det, run_cls, run_rec);LOGI("infer_ocr finished with boxes %ld", results.size());// 这里将std::vector<ppredictor::OCRPredictResult> 序列化成// float数组，传输到java层再反序列化std::vector<float> float_arr;for (const ppredictor::OCRPredictResult &r : results) {float_arr.push_back(r.points.size());float_arr.push_back(r.word_index.size());float_arr.push_back(r.score);// add det pointfor (const std::vector<int> &point : r.points) {float_arr.push_back(point.at(0));float_arr.push_back(point.at(1));}// add rec word idxfor (int index : r.word_index) {float_arr.push_back(index);}// add cls resultfloat_arr.push_back(r.cls_label);float_arr.push_back(r.cls_score);}return cpp_array_to_jfloatarray(env, float_arr.data(), float_arr.size());
}