一、導讀

OCR方向的工程師，一定需要知道這個OCR開源項目：PaddleOCR

短短幾個月，累計Star數(shù)量已超過10k，

頻頻登上Github Trending 日榜月榜，

稱它為 OCR方向目前最火的repo絕對不為過。

最近，它又帶來四大新發(fā)布與升級：

核心內(nèi)容先睹為快：

• 全新發(fā)布數(shù)據(jù)合成工具Style-Text： 可以批量合成大量與目標場景類似的圖像，在多個場景驗證，效果均提升15%以上。
• 全新發(fā)布半自動數(shù)據(jù)標注工具PPOCRLabel： 有了它數(shù)據(jù)標注工作事半功倍，相比labelimg標注效率提升60%以上，社區(qū)小規(guī)模測試，好評如潮。
• 多語言識別模型效果升級： 在開源測試集評估，中文、英文、韓語、法語、德語、日文識別效果均優(yōu)于EasyOCR。
• PP-OCR開發(fā)體驗再升級： 支持動態(tài)圖開發(fā)（訓練調(diào)試更方便），靜態(tài)圖部署（預測效率更高），魚與熊掌可以兼得。

二、PaddleOCR歷史表現(xiàn)回顧

先看下PaddleOCR自去年6月開源以來，短短幾個月在GitHub上的表現(xiàn)：

• 6月，8.6M超輕量模型發(fā)布，GitHub Trending 全球趨勢榜日榜第一。
• 8月，開源CVPR2020頂會SOTA算法，再上GitHub趨勢榜單！
• 10月，發(fā)布PP-OCR算法，開源3.5M超超輕量模型，再登Paperswithcode 趨勢榜第一。

 

這個含金量，廣大的GitHub開發(fā)者們自然懂，3.5M超超輕量模型的效果圖大家直接看，絕對杠杠的。

火車票、表格、金屬銘牌、翻轉(zhuǎn)圖片、外語都是妥妥的，3.5M的模型能達到這個識別精度，絕對是良心之作了！

傳送門：

Github：https://github.com/PaddlePaddle/PaddleOCR

那么最近的12月份更新，又給大家?guī)砟男@喜呢？

三、全新發(fā)布OCR數(shù)據(jù)合成工具：Style-Text

相比于傳統(tǒng)的數(shù)據(jù)合成算法，Style-Text可以實現(xiàn)特殊背景下的圖片風格遷移，只需要少許目標場景圖像，就可以合成大量數(shù)據(jù)，效果展示如下：

1、相同背景批量數(shù)據(jù)合成

2、相同文字批量數(shù)據(jù)合成

3、圖片分離前景背景

除了拉風的效果，采用這樣的合成數(shù)據(jù)和真實數(shù)據(jù)一起訓練，可以顯著提升特殊場景的性能指標，分別以兩個場景為例：

怎么樣，絕對是黑科技了吧。

這項能力核心算法是基于百度和華科合作研發(fā)的文本編輯算法《Editing Text in the Wild》https://arxiv.org/abs/1908.03047

不同于常用的基于GAN的數(shù)據(jù)合成工具，Style-Text主要框架包括 ①文本前景風格遷移模塊 ②背景抽取模塊 ③融合模塊。經(jīng)過這樣三步，就可以迅速實現(xiàn)圖片文字風格遷移啦。

 

四、超強OCR數(shù)據(jù)標注工具：PPOCRLabel

除了數(shù)據(jù)合成，數(shù)據(jù)標注也一直是深度學習開發(fā)者關注的重點，無論是從成本還是時間上面，提高標注效率，降低標注成本太重要了。

PPOCRLabel通過內(nèi)置高質(zhì)量的PPOCR中英文超輕量預訓練模型，可以實現(xiàn)OCR數(shù)據(jù)的高效標注。CPU機器運行也是完全沒問題的。

話不多說，直接看PPOCRLabel效果演示：

用法也是非常的簡單，標注效率提升60%-80%是妥妥的。只能說，真的太香了。

五、最好的多語言模型效果

簡單對比一下目前主流OCR方向開源repo的核心能力：

中英文模型性能及功能對比

其中，部分多語言模型性能及功能（F1-Score）對比（僅EasyOCR提供）

值得一提的是，目前已經(jīng)有全球開發(fā)者通過PR或者issue的方式為PaddleOCR提供多語言的字典和語料，在PaddleOCR上已經(jīng)完成了全球主流語言的廣泛覆蓋：包括中文簡體、中文繁體、英文、法文、德文、韓文、日文、意大利文、西班牙文、葡萄牙文、俄羅斯文、阿拉伯文、印地文、維吾爾文、波斯文、烏爾都文、塞爾維亞文（latin）、歐西坦文、馬拉地文、尼泊爾文、塞爾維亞文、保加利亞文、烏克蘭文、白俄羅斯文、泰盧固文、卡納達文、泰米爾文，也歡迎更多開發(fā)者可以參與共建。

六、PP-OCR開發(fā)體驗再升級

動態(tài)圖和靜態(tài)圖是深度學習框架常用的兩種模式。在動態(tài)圖模式下，代碼編寫運行方式符合Python程序員的習慣，易于調(diào)試，但在性能方面， Python執(zhí)行開銷較大，與C++有一定差距。

相比動態(tài)圖，靜態(tài)圖在部署方面更具有性能的優(yōu)勢。靜態(tài)圖程序在編譯執(zhí)行時，預先搭建好的神經(jīng)網(wǎng)絡可以脫離Python依賴，在C++端被重新解析執(zhí)行，而且擁有整體網(wǎng)絡結(jié)構(gòu)也能進行一些網(wǎng)絡結(jié)構(gòu)的優(yōu)化。

飛槳動態(tài)圖中新增了動態(tài)圖轉(zhuǎn)靜態(tài)圖的功能，支持用戶使用動態(tài)圖編寫組網(wǎng)代碼。預測部署時，飛槳會對用戶代碼進行分析，自動轉(zhuǎn)換為靜態(tài)圖網(wǎng)絡結(jié)構(gòu)，兼顧了動態(tài)圖易用性和靜態(tài)圖部署性能兩方面優(yōu)勢。

七、良心出品的中英文文檔教程

別的不需要多說了，大家訪問GitHub點過star之后自己體驗吧：

https://github.com/PaddlePaddle/PaddleOCR