paddle的OCR

本文最后更新于 2024年8月26日 凌晨

最近在研究机器人，就涉及到OCR，我现在基本放弃自己学习了，设备性能不行，直接用别人的模型挺香的。最开始选择阿里魔塔的模型，但是特么检测和识别居然一个是tensorflow一个是pytorch，就无语，于是转头用paddle的试试。

windows环境

anconda

仍然是使用anconda，软件安装后

1
2
conda create -n paddle python=3.10 
activate paddle

paddle相关

官网找到对应自己的执行命令，我这里是windows下CUDA11.6，选择用pip和conda都行

1
python -m pip install paddlepaddle-gpu==2.4.1.post116 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html

安装paddlehub

1
pip install --upgrade paddlehub -i https://pypi.tuna.tsinghua.edu.cn/simple

安装PaddleOCR

1
pip install "paddleocr>=2.0.1"

可能遇到的问题

No module named ‘lanms’

1
pip install lanms-neo

No module named ‘Polygon’

1
pip install Polygon3 -i https://pypi.tuna.tsinghua.edu.cn/simple

No module named ‘shapely’

1
pip install shapely -i https://pypi.tuna.tsinghua.edu.cn/simple

No module named ‘pyclipper’
pip install pyclipper -i https://pypi.tuna.tsinghua.edu.cn/simple

AttributeError: module ‘numpy’ has no attribute ‘int’. Did you mean: ‘inf’?

1
pip install numpy==1.23

ubuntu环境

安装anconda

1
wget https://mirrors.bfsu.edu.cn/anaconda/archive/Anaconda3-2022.10-Linux-x86_64.sh

一路回车加yes，完成后执行

1
2
3
echo 'export PATH="/root/anaconda3/bin:$PATH"'>>~/.bashrc
source ~/.bashrc
conda init bash

退出终端重新进入

安装paddle环境

1
2
3
conda create -n paddle python=3.10 
conda install paddlepaddle==2.4.1 --channel https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/
pip install --upgrade paddlehub -i https://pypi.tuna.tsinghua.edu.cn/simple

可能出现的问题

如果seqeval安装报错则先安装setuptools_scm

1
pip install setuptools_scm

No module named ‘skimage’

1
pip install scikit-image

No module named ‘imgaug’

1
conda install -c conda-forge imgaug

极简示例

这个示例是使用paddlehub加载ch_pp-ocrv3进行的检测与识别，该示例无需安装PaddleOCR

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
import paddlehub as hub
import cv2

class OcrRecognition:
    def __init__(self):
        self.ocr = hub.Module(name="ch_pp-ocrv3", enable_mkldnn=True)   

    def detection(self,imgPath):
        np_images =[cv2.imread(imgPath)] 
        results= self.ocr.recognize_text( images=np_images,
                                    use_gpu=True,
                                    output_dir='downloadTemp',
                                    visualization=False,  # 是否将识别结果保存为图片文件；
                                    box_thresh=0.6, # 检测文本框置信度的阈值；
                                    text_thresh=0.5, # 识别中文文本置信度的阈值；
                                    angle_classification_thresh=0.9, # 文本角度分类置信度的阈值
                                    det_db_unclip_ratio=1.5) #设置检测框的大小
        resultList = []
        for result in results:
            data = result['data']
            for infomation in data:
                #print('text: ', infomation['text'], '\nconfidence: ', infomation['confidence'], '\ntext_box_position: ', infomation['text_box_position'])
                resultList.append(infomation['text'])

        return resultList

test = OcrRecognition()
print(test.detection("./test2.png"))

识别图是：

识别结果如下，我这里只保留了文本

1
['测试文本一号（789A）', '2', '测试文本二号（321B）', '3', '测试文本三号（123C）']

其他信息可以用如下代码打印

1
2
3
4
5
# for result in results:
#     data = result['data']
#     save_path = result['save_path']
#     for infomation in data:
#         print('text: ', infomation['text'], '\nconfidence: ', infomation['confidence'], '\ntext_box_position: ', infomation['text_box_position'])

使用PaddleOCR来进行识别

需要安装PaddleOCR，然后直接执行命令

1
paddleocr --image_dir ./test2.png

图片就是上面极简示例那个，然后此命令执行后会自动下载

  • ch_PP-OCRv3_det_infer.tar 检测模型
  • ch_PP-OCRv3_rec_infer.tar 识别模型
  • ch_ppocr_mobile_v2.0_cls_infer.tar 文本方向分类模型
    下载到了C:\Users\dell/.paddleocr/whl目录下
    执行结果：

他支持多种语言，通过–lang=参数来指定，例如

1
paddleocr --image_dir ./test2.png --lang=ch

以下是官网给的类型表格，懒得敲直接截图

然后是在python上使用示例

1
2
3
4
5
6
7
8
9
10
11
from paddleocr import PaddleOCR

# Paddleocr目前支持的多语言语种可以通过修改lang参数进行切换
# 例如`ch`, `en`, `fr`, `german`, `korean`, `japan`
ocr = PaddleOCR(use_angle_cls=True, lang="ch") 
img_path = './test2.png'
result = ocr.ocr(img_path, cls=True)
for idx in range(len(result)):
    res = result[idx]
    for line in res:
        print(line)

结果如下图

上面这种方式是直接调用pip安装的paddleocr，也就是源文件在D:\Anaconda3\envs\paddle\Lib\site-packages\paddleocr里。如果想要修改默认的模型就需要去这里改paddleocr.py文件，在第58行有模型的下载地址，52行有模型的存储地址。例如

1
2
3
4
5
'det': {
    'ch': {
        'url':
        'https://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_det_infer.tar',
    },

然后去模型库复制想要使用的模型链接来替换这个即可

如果不想通过pip安装PaddleOCR，那么就克隆工程

1
git clone https://github.com/PaddlePaddle/PaddleOCR.git

然后安装环境

1
pip install -r requirements.txt

修改模型地址，不然执行后仍然安装到C盘的用户目录去咯。就是上面说的paddleocr.py的52行

1
BASE_DIR = os.path.expanduser("~/.paddleocr/")

改成这个工程的目录

1
BASE_DIR = os.path.expanduser("./inference/")

然后在paddleocr.py最后添加入口

1
2
if __name__ == "__main__":
    main()

最后执行

1
paddleocr --image_dir ./test2.png

模型就会被下载到PaddleOCR\inference\whl中

使用predict_system.py选择模型进行识别，这里来识别下日文

1
python tools/infer/predict_system.py --image_dir="./doc/imgs/japan_1.jpg" --det_model_dir="./inference/ch_ppocr_server_v2.0_det_infer" --rec_model_dir="./inference/japan_PP-OCRv3_rec_infer" --rec_char_dict_path="ppocr/utils/dict/japan_dict.txt" --vis_font_path="doc/fonts/japan.ttf"

PaddleHub Serving的服务部署

这个有官方文档，可以直接去看，以下是我使用的记录

首先把工程克隆下来

1
git clone https://github.com/PaddlePaddle/PaddleOCR.git

进入仓库，新建inference文件夹，然后去模型库下载模型：

  • 检测模型，例如：ch_PP-OCRv4_det_server_infer，ch_PP-OCRv3_det_infer
  • 识别模型，例如：ch_PP-OCRv4_rec_server_infer，ch_PP-OCRv3_rec_infer
  • 文本方向分类模型，例如：ch_ppocr_mobile_v2.0_cls_infer

这里主要使用串联服务，代码路径是：PaddleOCR/deploy/hubserving/ocr_system，首先进入其中修改下上面模型的路径。

修改params.py，默认是使用三代模型，如果我们下载了最新的四代就需要修改下识别和检测模型的路径

1
2
cfg.det_model_dir = "./inference/ch_PP-OCRv4_det_server_infer/"
cfg.rec_model_dir = "./inference/ch_PP-OCRv4_rec_server_infer/"

安装检测+识别串联服务模块，如果报错在上文中找

1
hub install deploy\hubserving\ocr_system\

启动服务

1
hub serving start -m ocr_system

输出

1
2
3
4
 * Running on all addresses (0.0.0.0)
 * Running on http://127.0.0.1:8866
 * Running on http://192.168.2.137:8866
[2022-12-30 15:28:17,256] [    INFO] _internal.py:224 - Press CTRL+C to quit

接下来就是发个请求试一试，paddleOcr里面有个例程(tools/test_hubserving.py)，但是单纯请求可以直接用下面代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import requests
import json
import base64

def cv2_to_base64(image):
    return base64.b64encode(image).decode('utf8')

def main():
    headers = {"Content-type": "application/json"}
    img = open("./test2.png", 'rb').read()
    data = {'images': [cv2_to_base64(img)]}
    r = requests.post(
        url="http://127.0.0.1:8866/predict/ocr_system", headers=headers, data=json.dumps(data))
    res = r.json()["results"][0]
    print(res)


if __name__ == '__main__':
    main()

结果：

服务器打印信息

1
2
3
4
[2022/12/30 15:44:01] ppocr DEBUG: dt_boxes num : 6, elapse : 0.03400087356567383
[2022/12/30 15:44:01] ppocr DEBUG: cls num  : 6, elapse : 0.05700230598449707
[2022/12/30 15:44:02] ppocr DEBUG: rec_res num  : 6, elapse : 0.8120079040527344
[2022-12-30 15:44:02,251] [    INFO] _internal.py:224 - 127.0.0.1 - - [30/Dec/2022 15:44:02] "POST /predict/ocr_system HTTP/1.1" 200 -

如果nohup来启动，则可以通过下列命令停止：

1
hub serving stop -p 8866

如果修改配置则需要先卸载模块

1
hub uninstall ocr_system

paddleOcr训练手写数字

下载数据集

执行下列程序，得到两位数手写数字

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
import cv2
import random,os
import numpy as np
from tqdm import tqdm
from paddle.vision.datasets import MNIST

# 加载数据集
mnist_train = MNIST(mode='train', backend='cv2')
mnist_test = MNIST(mode='test', backend='cv2')

if not os.path.exists("./dataset"):
    os.makedirs("./dataset")
if not os.path.exists("./dataset/train"):
    os.makedirs("./dataset/train")
if not os.path.exists("./dataset/test"):
    os.makedirs("./dataset/test")

# 数据集预处理
datas_train = {}
for i in range(len(mnist_train)):
    sample = mnist_train[i]
    x, y = sample[0], sample[1]

    _sum = np.sum(x, axis=0)
    _where = np.where(_sum > 0)
    x = 255 - x[:, _where[0][0]: _where[0][-1]+1]
    if str(y[0]) in datas_train:
        datas_train[str(y[0])].append(x)
    else:
        datas_train[str(y[0])] = [x]

datas_test = {}
for i in range(len(mnist_test)):
    sample = mnist_test[i]
    x, y = sample[0], sample[1]

    _sum = np.sum(x, axis=0)
    _where = np.where(_sum > 0)
    x = 255 - x[:, _where[0][0]: _where[0][-1]+1]
    if str(y[0]) in datas_test:
        datas_test[str(y[0])].append(x)
    else:
        datas_test[str(y[0])] = [x]

# 图片拼接采样
datas_train_list = []
for num in tqdm(range(0, 99)):
    for _ in range(100):
        imgs = [255 - np.zeros((28, np.random.randint(10)))]
        for word in str(num):
            index = np.random.randint(0, len(datas_train[word]))
            imgs.append(datas_train[word][index])
            imgs.append(255 - np.zeros((28, np.random.randint(10))))
        img = np.concatenate(imgs, 1)
        cv2.imwrite('dataset/train/%03d_%04d.jpg' % (num, _), img)
        datas_train_list.append('train/%03d_%04d.jpg\t%d\n' % (num, _, num))

datas_test_list = []
for num in tqdm(range(0, 99)):
    for _ in range(50):
        imgs = [255 - np.zeros((28, np.random.randint(10)))]
        for word in str(num):
            index = np.random.randint(0, len(datas_test[word]))
            imgs.append(datas_test[word][index])
            imgs.append(255 - np.zeros((28, np.random.randint(10))))
        img = np.concatenate(imgs, 1)
        cv2.imwrite('dataset/test/%03d_%04d.jpg' % (num, _), img)
        datas_test_list.append('test/%03d_%04d.jpg\t%d\n' % (num, _, num))

# 数据列表生成
with open('dataset/train.txt', 'w') as f:
    for line in datas_train_list:
        f.write(line)

with open('dataset/test.txt', 'w') as f:
    for line in datas_test_list:
        f.write(line)

环境

克隆paddleOcr仓库

1
git clone https://github.com/PaddlePaddle/PaddleOCR.git

下载个预训练模型，我这里选择了ch_ppocr_server_v2.0_rec
在paddleOcr中新建pretrain_models文件夹，将其扔进去
然后继续建个文件夹mnist用来放训练的相关文件

训练

建立识别分类字典number.txt，里面就是0~9个数字一行一个。
然后建立训练配置文件mnist.yml

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
Global:
  use_gpu: true
  # 最大训练epoch数 默认500
  epoch_num: 100
  # log队列长度，每次打印输出队列里的中间值 默认20
  log_smooth_window: 20
  # 设置打印log间隔
  print_batch_step: 10
  # 设置模型保存路径
  save_model_dir: D:\\code\\ggggg\\ocrTrain\\paddle\\PaddleOCR\\mnist\\out
  # 设置模型保存间隔 默认3
  save_epoch_step: 1
  # 设置模型评估间隔
  # 2000 表示每2000次迭代评估一次，[1000， 2000]表示从1000次迭代开始，每2000次评估一次
  eval_batch_step: [0, 200]
  # 设置是否在训练过程中评估指标，此时评估的是模型在当前batch下的指标
  cal_metric_during_train: True
  # 设置预训练模型是否是静态图模式保存(目前仅检测算法需要)
  # load_static_weights: True
  # 设置加载预训练模型路径
  pretrained_model:   D:\\code\\ggggg\\ocrTrain\\paddle\\PaddleOCR\\pretrain_models\\ch_ppocr_server_v2.0_rec_pre\\best_accuracy
  # 加载模型参数路径 用于中断后加载参数继续训练
  checkpoints: 
  save_inference_dir:
  # 设置是否启用visualdl进行可视化log展示
  use_visualdl: False
  # 设置预测图像路径或文件夹路径
  infer_img: D:\\code\\ggggg\\ocrTrain\\paddle\\PaddleOCR\\mnist\\9_4.png
  # 设置字典路径 如果为空，则默认使用小写字母+数字作为字典
  character_dict_path: D:\\code\\ggggg\\ocrTrain\\paddle\\PaddleOCR\\mnist\\number.txt
  character_type: en
  # 设置文本最大长度
  max_text_length: 16
  infer_mode: False
  # 设置是否识别空格
  use_space_char: False
  distort: True

Optimizer:
  # 优化器类名 目前支持Momentum,Adam,RMSProp
  name: Adam
  # 设置一阶矩估计的指数衰减率
  beta1: 0.9
  # 设置二阶矩估计的指数衰减率
  beta2: 0.999
  # 设置学习率decay方式
  lr:
    #学习率decay类名
    name: Cosine
    #基础学习率
    learning_rate: 0.001
  #设置网络正则化方式  
  regularizer:
    #正则化类名
    name: 'L2'
    #正则化系数
    factor: 0.00001

Architecture:
  #网络类型 目前支持rec,det,cls
  model_type: rec
  #模型名称
  algorithm: CRNN
  #设置变换方式
  Transform:
  #设置网络backbone类名
  Backbone:
    name: MobileNetV3
    scale: 0.5
    model_name: small
    small_stride: [1, 2, 2, 2]
  Neck:
    name: SequenceEncoder
    encoder_type: rnn
    hidden_size: 48
  Head:
    name: CTCHead
    fc_decay: 0.00001

Loss:
  name: CTCLoss

PostProcess:
  name: CTCLabelDecode

Metric:
  name: RecMetric
  main_indicator: acc

#训练配置
Train:
  dataset:
    name: SimpleDataSet
    data_dir: D:\\code\\ggggg\\ocrTrain\\paddle\\dataset\\
    label_file_list: ["D:\\code\\ggggg\\ocrTrain\\paddle\\dataset\\train.txt"]
    transforms:
      - DecodeImage: # load image
          img_mode: BGR
          channel_first: False
      - RecAug: 
      - CTCLabelEncode: # Class handling label
      - RecResizeImg:
          image_shape: [3, 28, 64]
      - KeepKeys:
          keep_keys: ['image', 'label', 'length'] # dataloader will return list in this order
  loader:
    shuffle: True
    batch_size_per_card: 256
    drop_last: True
    num_workers: 0

Eval:
  dataset:
    name: SimpleDataSet
    data_dir: D:\\code\\ggggg\\ocrTrain\\paddle\\dataset\\
    label_file_list: ["D:\\code\\ggggg\\ocrTrain\\paddle\\dataset\\test.txt"]
    transforms:
      - DecodeImage: # load image
          img_mode: BGR
          channel_first: False
      - CTCLabelEncode: # Class handling label
      - RecResizeImg:
          image_shape: [3, 28, 64]
      - KeepKeys:
          keep_keys: ['image', 'label', 'length'] # dataloader will return list in this order
  loader:
    shuffle: False
    drop_last: False
    batch_size_per_card: 256
    num_workers: 0

进行训练，先训练100轮

1
(paddle) D:\code\ggggg\ocrTrain\paddle\PaddleOCR\mnist>python ../tools/train.py -c ./mnist.yml

继续训练

1
python ../tools/train.py -c ./mnist.yml -o Global.checkpoints=./your/trained/model

评估与测试

评估

1
python ../tools/eval.py -c ./mnist.yml -o Global.pretrained_model=./out/best_accuracy

直接对图片进行识别

1
python ../tools/infer_rec.py -c mnist.yml -o Global.pretrained_model=./out/best_accuracy Global.load_static_weights=false Global.infer_img=5.png

结果

1
2
3
4
[2023/02/01 14:49:53] ppocr INFO: load pretrain successful from ./out/best_accuracy
[2023/02/01 14:49:53] ppocr INFO: infer_img: 5.png
[2023/02/01 14:49:55] ppocr INFO:        result: 5      0.989963948726654
[2023/02/01 14:49:55] ppocr INFO: success!

转化为inferencre模型

使用tools/export_model.py工具

1
python ../tools/export_model.py -c ./mnist.yml -o Global.pretrained_model=./out/best_accuracy Global.load_static_weights=False Global.save_inference_dir=./inference/mnist

会得到三个文件

  • inference.pdiparams
  • inference.pdiparams.info
  • inference.pdmodel

可以用这个直接试试

1
python ../tools/infer/predict_rec.py --image_dir="5.png" --rec_model_dir="../inference/whl/rec/hw/ch_ppocr_server_v2.0_rec_pre_hw" --rec_char_dict_path="./number.txt" --use_space_char=False --enable_mkldnn=False --rec_image_shape="3, 28,64"

这里注意要将rec_image_shape设置成训练时约定的大小，否则结果是可能会和转化前测试结果不同的。还有就是这个模型没法识别透明背景的图

结果

1
[2023/02/01 15:17:23] ppocr INFO: Predicts of 5.png:('5', 0.989963948726654)

将新模型加入到paddleocr中

编辑paddleocr.py，先将识别模型存储地址修改

1
2
# BASE_DIR = os.path.expanduser("~/.paddleocr/")
BASE_DIR = os.path.expanduser("./inference/")

给MODEL_URLS中的’rec’添加一个

1
2
3
4
5
'hw': {
    'url':
    'ch_ppocr_server_v2.0_rec_pre_hw.tar',
    'dict_path': './mnist/number.txt'
},

然后将模型放入下列文件夹中

1
PaddleOCR\inference\whl\rec\hw\ch_ppocr_server_v2.0_rec_pre_hw

还是由于上述原因，需要修改rec_image_shape，再paddleocr.py中找到这儿，改成3,28,64

1
2
if params.ocr_version == 'PP-OCRv3':
    params.rec_image_shape = "3, 48, 320"

识别

1
2
3
4
5
6
from paddleocr import PaddleOCR
if __name__ == "__main__" :
    ocr = PaddleOCR(use_angle_cls=False, use_gpu=True, lang="hw")
    img_path = "./mnist/5.png"
    result = ocr.ocr(img_path, det=False, cls=False)
    print(result)

结果

1
[[('5', 0.989963948726654)]]

图片透明部分变为白色

不得不再次感叹，copilot的厉害，自动提示出来的

1
2
3
image = cv2.imread("5_4.png",-1)
image[image[:,:,3]==0] = [255,255,255,255]
cv2.imwrite("5_4__1.png",image)

下面是我之前的方式

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
import cv2
import os
import numpy as np

# 修改透明背景为白色
def transparence2white(img):
    if(len(img[0,0]) < 4):
        return None
    for height in range(img.shape[1]):
        for width in range(img.shape[0]):
            point = img[width,height]
            if(point[3] == 0): #如果 A值为0则表示透明
                img[width,height] = [255,255,255,255] # 将其改为白色，且不透明
    return img

def changeImgTransparence2white(imgPath,savePath = None):
    # 判断该文件是否存在
    try :
        if os.path.exists(imgPath):
            img=cv2.imread(imgPath,-1)  # 读取图片。-1将图片透明度传入，数据由RGB的3通道变成4通道
            if(type(transparence2white(img)) is not np.ndarray):
                print("图片不是RGBA")
                return False
            else:
                if savePath != None:
                    print(savePath)
                    cv2.imwrite(savePath,img) 
                else:
                    filePath = os.path.join("./",os.path.splitext(imgPath)[0] + "_1" + os.path.splitext(imgPath)[1])
                    cv2.imwrite(filePath,img)
                return True
        else:
            print("图标不存在")
            return False
    except Exception as ex:
        print("其他异常：{}".format(ex))


if __name__  == '__main__':
    print(changeImgTransparence2white("5_4.png"))

RGBA转RGB

也即32深度变成24

1
2
3
img = cv2.imread("5_4.png",-1)
img = cv2.cvtColor(img,cv2.COLOR_RGBA2RGB)
cv2.imwrite("5_4__2.png",img)
技术类
#深度学习 #OCR
paddle的OCR
https://blog.kala.love/posts/9eb77f73/
作者
久远·卡拉
发布于
2022年12月30日
许可协议