mirror of
https://github.com/PaddlePaddle/PaddleOCR.git
synced 2025-08-04 22:58:31 +00:00
93 lines
4.2 KiB
Markdown
93 lines
4.2 KiB
Markdown
[English](../doc_en/PP-OCRv3_introduction_en.md) | 简体中文
|
||
|
||
# PP-OCR
|
||
|
||
- [1. 简介](#1)
|
||
- [2. 特性](#2)
|
||
- [3. benchmark](#3)
|
||
|
||
|
||
|
||
<a name="1"></a>
|
||
## 1. 简介
|
||
|
||
PP-OCR是PaddleOCR自研的实用的超轻量OCR系统。在实现[前沿算法](algorithm.md)的基础上，考虑精度与速度的平衡，进行**模型瘦身**和**深度优化**，使其尽可能满足产业落地需求。
|
||
|
||
#### PP-OCR
|
||
|
||
PP-OCR是一个两阶段的OCR系统，其中文本检测算法选用[DB](algorithm_det_db.md)，文本识别算法选用[CRNN](algorithm_rec_crnn.md)，并在检测和识别模块之间添加[文本方向分类器](angle_class.md)，以应对不同方向的文本识别。
|
||
|
||
PP-OCRv2系统pipeline如下：
|
||
|
||
<div align="center">
|
||
<img src="../ppocrv2_framework.jpg" width="800">
|
||
</div>
|
||
|
||
|
||
PP-OCR系统在持续迭代优化，目前已发布PP-OCR、PP-OCRv2、PPOCRv3三个版本：
|
||
|
||
PP-OCR从骨干网络选择和调整、预测头部的设计、数据增强、学习率变换策略、正则化参数选择、预训练模型使用以及模型自动裁剪量化8个方面，采用19个有效策略，对各个模块的模型进行效果调优和瘦身(如绿框所示)，最终得到整体大小为3.5M的超轻量中英文OCR和2.8M的英文数字OCR。更多细节请参考PP-OCR技术方案 https://arxiv.org/abs/2009.09941
|
||
|
||
|
||
## PP-OCRv3策略简介
|
||
|
||
|
||
### PP-OCRv3文本检测模型优化策略
|
||
|
||
PP-OCRv3采用PP-OCRv2的[CML](https://arxiv.org/pdf/2109.03144.pdf)蒸馏策略，在蒸馏的student模型、teacher模型精度提升，CML蒸馏策略上分别做了优化。下面简要介绍PPOCRv3的文本检测优化策略。
|
||
|
||
- 首先，在蒸馏student模型精度提升方面，针对模型召回能力低的问题，提出了RSEFPN的FPN结构用于提升student模型精度和召回；
|
||
|
||
RSEFPN的网络结构如下图所示，RSEFPN在PPOCRv2的FPN基础上，将FPN中的卷积层更换为了channel attention结构的RSEConv层。
|
||
|
||
<div align="center">
|
||
<img src=".././ppocr_v3/RSEFPN.png" width="800">
|
||
</div>
|
||
|
||
|
||
RSEFPN将PPOCR检测模型的精度hmean从81.3%提升到84.5%。模型大小从3M变为3.6M。
|
||
|
||
- 然后，在蒸馏的teacher模型精度提升方面，提出了LKPAN结构替换PPOCRv2的FPN结构，并且使用ResNet50作为Backbone，更大的模型带来更多的精度提升。最终teacher的模型指标hmean达到了86.0%。
|
||
|
||
LKPAN的网络结构如下图所示：
|
||
|
||
<div align="center">
|
||
<img src="../ppocr_v3/LKPAN.png" width="800">
|
||
</div>
|
||
|
||
LKPAN是一个具有更大感受野的轻量级PAN结构。在在LKPAN的path augmentation中，使用kernel size为`9*9`的卷积；更大的kernel size意味着更大的感受野，更容易检测大字体的文字以及极端长宽比的文字。LKPAN将base检测模型的精度hmean从81.3%提升到84.9%。
|
||
|
||
*注：LKPAN相比RSEFPN有更多的精度提升，但是考虑到模型大小和预测速度等因素，在student模型中使用RSEFPN。*
|
||
|
||
- 最后，调整CML蒸馏训练策略调整：为了进一步提升蒸馏模型的精度，对teacher模型使用[DML](https://arxiv.org/abs/1706.00384)蒸馏策略进一步提升teacher模型的精度，更好的指导student模型的训练。
|
||
|
||
采用上述策略，PPOCRv3相比PPOCRv2，hmean指标从83.3%提升到85.4%；预测速度从平均117ms/image变为124ms/image。
|
||
|
||
3. PP-OCRv3检测模型消融实验
|
||
|
||
|序号|策略|模型大小|hmean|Intel Gold 6148CPU+mkldnn预测耗时|
|
||
|-|-|-|-|-|
|
||
|0|ppocr_mobile|3M|81.3|117ms|
|
||
|1|PPOCRV2|3M|83.3|117ms|
|
||
|2|0 + RESFPN|3.6M|84.5|124ms|
|
||
|3|0 + LKPAN|4.6M|84.9|156ms|
|
||
|4|teacher DML + LKPAN|124M|86.0|-|
|
||
|5|0 + 2 + 4 + CML|3.6M|85.4|124ms|
|
||
|
||
|
||
|
||
<a name="2"></a>
|
||
## 2. 特性
|
||
|
||
- 超轻量PP-OCRv2系列：检测（3.1M）+ 方向分类器（1.4M）+ 识别（8.5M）= 13.0M
|
||
- 超轻量PP-OCR mobile移动端系列：检测（3.0M）+方向分类器（1.4M）+ 识别（5.0M）= 9.4M
|
||
- 通用PP-OCR server系列：检测（47.1M）+方向分类器（1.4M）+ 识别（94.9M）= 143.4M
|
||
- 支持中英文数字组合识别、竖排文本识别、长文本识别
|
||
- 支持多语言识别：韩语、日语、德语、法语等约80种语言
|
||
|
||
|
||
<a name="3"></a>
|
||
## 3. benchmark
|
||
|
||
关于PP-OCR系列模型之间的性能对比，请查看[benchmark](./benchmark.md)文档。
|