OCR方向的工程师，之前一定听说过PaddleOCR这个项目。
-
项目累计Star数量已超过20000+；
-
频频登上GitHub Trending和Paperswithcode 日榜月榜第一；
-
在Medium与Papers withCode 联合评选的《Top Trending Libraries of 2021》，从百万量级项目中脱颖而出，荣登Top10！
-
在《2021中国开源年度报告》中被评为活跃度Top5！
PaddleOCR影响力动图
PP-OCRv3效果动图[1]
本次PaddleOCR最新发版，带来四大重磅升级，包括：
-
**发布超轻量OCR系统PP-OCRv3：**中英文、纯英文以及多语言场景精度再提升5% - 11%！
-
**发布半自动标注工具PPOCRLabelv2：**新增表格文字图像、图像关键信息抽取任务和不规则文字图像的标注功能。
-
**发布OCR产业落地工具集：**打通22种训练部署软硬件环境与方式，覆盖企业90%的训练部署环境需求。
-
**发布业界首个交互式OCR开源电子书《动手学OCR》：**覆盖OCR全栈技术的前沿理论与代码实践，并配套教学视频。
// PaddleOCR最新发版传送门 //
**点击文末阅读原文一键GET！
**
https://github.com/PaddlePaddle/PaddleOCR
下面我们就对上述升级依次进行说明。
PP-OCRv3优化策略解读
PP-OCR是PaddleOCR团队自研的超轻量OCR系统，面向OCR产业应用，权衡精度与速度。近期，PaddleOCR团队针对PP-OCRv2的检测模块和识别模块，进行共计9个方面的升级，打造出一款全新的、效果更优的超轻量OCR系统：PP-OCRv3。
从效果上看，速度可比情况下，多种场景精度均有大幅提升：
-
中文场景，相比PP-OCRv2，中文模型提升超5%；
-
英文数字场景，相比PP-OCRv2，英文数字模型提升11%；
-
多语言场景，优化80+语种识别效果，平均准确率提升超5%。
全新升级的PP-OCRv3的整体框架图（粉色框中为PP-OCRv3新增策略）如下图。检测模块仍基于DB算法优化；而识别模块不再采用CRNN，更新为IJCAI 2022最新收录的文本识别算法SVTR (论文名称：SVTR: Scene Text Recognition with a SingleVisual Model)，并对其进行产业适配。
具体的优化策略包括以下几点：
1.检测模块
-
LK-PAN：大感受野的PAN结构
-
DML：教师模型互学习策略
-
RSE-FPN：残差注意力机制的FPN结构
2.识别模块
-
SVTR_LCNet：轻量级文本识别网络
-
GTC：Attention指导CTC训练策略
-
TextConAug：挖掘文字上下文信息的数据增广策略
-
TextRotNet：自监督的预训练模型
-
UDML：联合互学习策略
-
UIM：无标注数据挖掘方案
优化策略具体解读见文末。
PPOCRLabelv2多项重磅更新
PPOCRLabel是首款开源的OCR半自动数据标注工具，大幅减少开发者标注OCR数据的时间。2021年，**项目获得Wave Summit 2021优秀开源项目奖、启智社区优秀项目奖。**经过一年的更新迭代，PPOCRLabel结合产业实际落地需求，正式发布PPOCRLabelv2，更新内容如下：
-
新增标注类型：表格标注、关键信息标注、不规则文字图像的标注（印章、弯曲文本等）
-
新增功能：锁定框、图像旋转、数据集划分、批量处理等
-
易用性提升：新增whl包安装、以及优化多处标注体验
表格标注动图、KIE标注动图、不规则文字图像的标注动图、图像旋转、批处理、撤销（横向拉动）
OCR产业落地工具集
考虑到真实产业应用面对的各种软硬件环境和不同的场景需求，基于飞桨训推一体的功能完备，本次升级发布OCR产业落地工具集，打通22种训练部署软硬件环境与方式，包括3种训练方式、6种训练环境、3种模型压缩策略、和10种推理部署方式，如下表所示：
其中特色能力如下：
1.分布式训练
飞桨分布式训练架构具备4D混合并行、端到端自适应分布式训练等多项特色技术。在PP-OCRv3识别模型训练中，4机加速比达到3.52倍，精度几乎无损。
2.模型压缩
飞桨模型压缩工具PaddleSlim功能完备，覆盖模型裁剪、量化、蒸馏和NAS。PP-OCR模型经过裁剪量化后，模型大小从8.1M压缩至3.5M，移动端平均预测耗时减少36%。
3.服务化部署
飞桨服务化部署引擎PaddleServing，提供性能优越、功能可靠的模型集服务能力。针对PP-OCR模型的服务化部署，采用全异步的Pipeline Serving，可将吞吐量提升2倍以上。
4.移动端/边缘端部署
飞桨轻量化推理引擎Paddle Lite适配了20+ AI 加速芯片，可以快速实现OCR模型在移动设备、嵌入式设备和IOT设备等高效设备的部署。
5.云上飞桨
面向飞桨框架及其模型套件的部署工具箱，支持Docker 化部署和 Kubernetes 集群部署两种方式，满足不同场景与环境下OCR模型的训练部署需求。
《动手学OCR》电子书
《动手学OCR》是PaddleOCR团队携手华中科技大学博导/教授，IAPR Fellow 白翔、复旦大学青年研究员陈智能、中国移动研究院视觉领域资深专家黄文辉、中国工商银行大数据人工智能实验室研究员等产学研同仁，以及OCR开发者共同打造的结合OCR前沿理论与代码实践的教材。主要特色如下：
-
覆盖从文本检测识别到文档分析的OCR全栈技术
-
紧密结合理论实践，跨越代码实现鸿沟，并配套教学视频
-
Notebook交互式学习，灵活修改代码，即刻获得结果
加入PaddleOCR
技术交流群
入群福利
1. 获取PaddleOCR详解本次升级内容的直播课链接。
2. 获取PaddleOCR团队整理的10G重磅OCR学习大礼包，包括：
-
《动手学OCR》电子书，配套讲解视频和notebook项目
-
66篇OCR相关顶会前沿论文打包放送，包括CVPR、AAAI、IJCAI、ICCV等
-
PaddleOCR历次发版直播课视频
-
OCR社区优秀开发者项目分享视频
礼包内容预览
入群方式
- STEP1：微信扫描下方海报二维码，关注公众号
- STEP2：填写问卷后扫码加入技术交流群领取福利
大家如果觉得不错，建议访问GitHub
点个star关注收藏~
https://github.com/PaddlePaddle/PaddleOCR
更多阅读
-
官网地址：https://www.paddlepaddle.org.cn
-
PaddleOCR项目地址：
GitHub: https://github.com/PaddlePaddle/PaddleOCR
Gitee: https://gitee.com/paddlepaddle/PaddleOCR
-
注：[1] 测试样例图片源于网络
PP-OCRv3优化策略具体解读
1.检测模块优化策略
PP-OCRv3检测模块对PP-OCRv2中的CML（CollaborativeMutual Learning) 协同互学习文本检测蒸馏策略进行了升级。如下图所示，CML的核心思想结合了传统的Teacher指导Student的标准蒸馏与Students网络之间的DML互学习，可以让Students网络互学习的同时，Teacher网络予以指导。PP-OCRv3分别针对教师模型和学生模型进行进一步效果优化。其中，在对教师模型优化时，提出了大感受野的PAN结构LK-PAN和引入了DML（Deep MutualLearning）蒸馏策略；在对学生模型优化时，提出了残差注意力机制的FPN结构RSE-FPN。消融实验如下表所示。
测试环境：Intel Gold 6148 CPU，预测时开启MKLDNN加速
（1）LK-PAN：大感受野的PAN结构
LK-PAN (Large Kernel PAN) 是一个具有更大感受野的轻量级PAN结构，核心是将PAN结构的path augmentation中卷积核从3*3改为9*9。通过增大卷积核，提升特征图每个位置覆盖的感受野，更容易检测大字体的文字以及极端长宽比的文字。使用LK-PAN结构，可以将教师模型的hmean从83.2%提升到85.0%。
（2）DML：教师模型互学习策略
DML 互学习蒸馏方法，通过两个结构相同的模型互相学习，可以有效提升文本检测模型的精度。教师模型采用DML策略， hmean从85%提升到86%。将PP-OCRv2中CML的教师模型更新为上述更高精度的教师模型，学生模型的hmean可以进一步从83.2%提升到84.3%。
（3）RSE-FPN：残差注意力机制的FPN结构
RSE-FPN（ResidualSqueeze-and-Excitation FPN）引入残差结构和通道注意力结构，将FPN中的卷积层更换为带有残差结构的通道注意力结构的RSEConv层，进一步提升特征图的表征能力。进一步将PP-OCRv2中CML的学生模型的FPN结构更新为RSE-FPN，学生模型的hmean可以进一步从84.3%提升到85.4%。
2.识别模块优化策略
PP-OCRv3的识别模块是基于文本识别算法SVTR优化。SVTR不再采用RNN结构，通过引入Transformers结构更加有效地挖掘文本行图像的上下文信息，从而提升文本识别能力。直接将PP-OCRv2的识别模型，替换成SVTR_Tiny，识别准确率从74.8%提升到80.1%（+5.3%），但是预测速度慢了将近11倍，CPU上预测一条文本行，将近100ms。因此，如下图所示，PP-OCRv3采用如下6个优化策略进行识别模型加速，消融实验如下表所示：
注：测试速度时，实验01-03输入图片尺寸均为(3,32,320)，04-08输入图片尺寸均为(3,48,320)。在实际预测时，图像为变长输入，速度会有所变化。测试环境：Intel Gold 6148 CPU，预测时开启MKLDNN加速。
（1）SVTR_LCNet：轻量级文本识别网络
SVTR_LCNet是针对文本识别任务，将Transformer网络和轻量级CNN网络PP-LCNet 融合的一种轻量级文本识别网络。使用该网络，并且将输入图片规范化高度从32提升到48，预测速度可比情况下，识别准确率达到73.98%，接近PP-OCRv2采用蒸馏策略的识别模型效果。
（2）GTC：Attention指导CTC训练策略
GTC（Guided Training of CTC），利用Attention模块以及损失，指导CTC损失训练，融合多种文本特征的表达，是一种有效的提升文本识别的策略。使用该策略，识别模型的准确率进一步提升到75.8%（+1.82%）。
（3）TextConAug：挖掘文字上下文信息的数据增广策略
TextConAug是一种挖掘文字上下文信息的数据增广策略，可以丰富训练数据上下文信息，提升训练数据多样性。使用该策略，识别模型的准确率进一步提升到76.3%（+0.5%）。
（4）TextRotNet：自监督的预训练模型
TextRotNet是使用大量无标注的文本行数据，通过自监督方式训练的预训练模型。该模型可以初始化SVTR_LCNet的初始权重，从而帮助文本识别模型收敛到更佳位置。使用该策略，识别模型的准确率进一步提升到76.9%（+0.6%）。
（5）UDML：联合互学习策略
UDML（Unified-Deep Mutual Learning）联合互学习是PP-OCRv2中就采用的对于文本识别非常有效的提升模型效果的策略。在PP-OCRv3中，针对两个不同的SVTR_LCNet和Attention结构，对他们之间的PP-LCNet的特征图、SVTR模块的输出和Attention模块的输出同时进行监督训练。使用该策略，识别模型的准确率进一步提升到78.4%（+1.5%）。
（6）UIM：无标注数据挖掘方案
UIM（Unlabeled Images Mining）是一种非常简单的无标注数据挖掘方案。核心思想是利用高精度的文本识别大模型对无标注数据进行预测，获取伪标签，并且选择预测置信度高的样本作为训练数据，用于训练小模型。使用该策略，识别模型的准确率进一步提升到79.4%（+1%）。
经过上述文本检测和文本识别9个方面的优化，最终PP-OCRv3在速度可比情况下，在中文场景端到端Hmean指标相比于PP-OCRv2提升5%，效果大幅提升。具体指标如下表所示：
在英文数字场景，基于PP-OCRv3单独训练的英文数字模型，相比于PP-OCRv2的英文数字模型提升11%，如下表所示：
在多语言场景，基于PP-OCRv3训练的模型，在有评估集的四种语系，相比于PP-OCRv2，识别准确率平均提升5%以上，如下表所示。同时，PaddleOCR团队基于PP-OCRv3更新了已支持的80余种语言识别模型。
