ocr精准识别架构（支持最广的OCR开源平台）

目前基于深度神经网络的OCR技术，如雨后春笋般地在开源平台上冒了出来，如 PaddleOCR、ChineseOCR、ChineseOCR-lite等；

通过实际搭建比对，存在如下不足：

• 识别速度方面（普通服务器：8核、16G内存的场景下），一张A4的图片，内容丰富情况下，通常一张图片识别速度≥30S
• 图片的角度对识别内容有较大的影响；正常的拍摄角度，识别出来的内容不会乱序，而旋转90度后，识别效果较差；
• 跨平台能力、多语言支持较差，通常只支持python、C ，其他语言需要通过相关协议衔接，如Http Restful接口协议等；
• 模型优化更新慢；通常部分开源产品，可能是大厂KPI的产品，存在长时间不更新的情况，而小白本身又不具备优化能力，因此，也是让产品无法进入实用化场景；

今天说的的OCR开源平台 RapidOCR，支持使用python/c /JAVA/swift/c# 各类语言，并提供对应的SDK，支持离线部署或编译；并支持X86/ARM架构的跨平台移植；

平台基本每个月都会针对模型识别准确度、识别效率与速度进行相关优化，并发布相关的模型包；

系统整体架构过程

官方提供的工程示例（C 、Java、.Net、Android、Python等）：

RapidOCR ├── android # 安卓工程目录 ├── api4cpp # c语言跨平台接口库源码目录，直接用根下的CMakelists.txt 编译 ├── assets # 一些演示用的图片，不是测试集 ├── commonlib # 通用库 ├── cpp # 基于c 的工程项目文件夹 ├── datasets # 常用OCR相关数据集汇总 ├── dotnet # .Net程序目录 ├── FAQ.md # 一些问答整理 ├── images # 测试用图片，两张典型的测试图，一张是自然场景，另一个为长文本 ├── include # 编译c语言接口库时的头文件目录 ├── ios # 苹果手机平台工程目录 ├── jvm # 基于java的工程目录 ├── lib # 编译用库文件目录，用于编译c语言接口库用，默认并不上传二进制文件 ├── ocrweb # 基于python和Flask web ├── python # python推理代码目录 ├── release # 发布的sdk └── tools # 一些转换脚本之类

安装部署方式（Docker方式，这里贡献Dockerfile）：

FROM python:3.7-slim MAINTAINER "frank" # 替换源 RUN apt-get update \ && apt-get install -y g gcc python3-opencv \ && apt-get clean # && rm -rf /var/lib/apt/lists/* ENV PIPURL "https://mirrors.aliyun.com/pypi/simple" WORKDIR /opt/ocr COPY . . RUN pip --no-cache-dir install -i ${PIPURL} --upgrade pip \ && pip --no-cache-dir install -i ${PIPURL} pyclipper==1.2.0 Shapely==1.7.1 onnxruntime==1.7.0 opencv_python==4.5.1.48 six==1.15.0 numpy==1.19.2 Pillow==8.3.0 flask EXPOSE 9003 WORKDIR /opt/ocr/ocrweb CMD python main.py

脚本示例：

• Python版本（其他版本暂不列举）

# 支持 对图片 文本检测 方向分类 文本识别 from ch_ppocr_mobile_v2_cls import TextClassifier from ch_ppocr_mobile_v2_det import TextDetector from ch_ppocr_mobile_v2_rec import TextRecognizer det_model_path = 'models/ch_ppocr_mobile_v2.0_det_infer.onnx' cls_model_path = 'models/ch_ppocr_mobile_v2.0_cls_infer.onnx' rec_model_path = 'models/ch_ppocr_mobile_v2.0_rec_infer.onnx' image_path = r'test_images/det_images/1.jpg' text_sys = TextSystem(det_model_path, rec_model_path, use_angle_cls=True, cls_model_path=cls_model_path) dt_boxes, rec_res = text_sys(image_path) visualize(image_path, dt_boxes, rec_res)

通过实践，相同内容的图片，采用RapidOCR的模型识别，速度上，基本≤5s返回识别结果；

识别示例：

动态识别图片

C 、JAVA 识别展示

.net 识别展示

相关问题，欢迎留言提问；欢迎大家点赞、关注、收藏~