跳到主要内容

PaddleOCR

PaddleOCR 是什么？​

PaddleOCR 是百度推出的一款基于 PaddlePaddle 深度学习框架的 OCR 工具，支持中英文、数字、小数、日期、二维码、表格、公式、身份证、名片、火车票、护照、行驶证、驾驶证、车牌、营业执照、银行卡

pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
pip install "paddleocr>=2.0.1" --upgrade PyMuPDF==1.21.1

# 或者
# 首先安装依赖库：CPU 版本的 paddlepaddle
poetry add paddlepaddle
# 如果要安装 GPU 版本，使用指令
poetry add paddlepaddle-gpu

# 然后安装 PaddleOCR
poetry add PyMuPDF==1.21.1 # 由于 paddleocr 依赖的 PyMuPDF 版本有问题，所以需要指定版本
poetry add paddleocr>=2.0.1

加上

[[tool.poetry.source]]
name = "mirror"
url = "https://mirror.baidu.com/pypi/simple"
default = true

安装完成后您可以使用 python 进入 python 解释器，输入 import paddle ，再输入 paddle.utils.run_check()

> python
import paddle

paddle.utils.run_check()

如果出现 PaddlePaddle is installed successfully!，说明您已成功安装。

下载预训练模型​

PaddleOCR 分为 Detection（文本检测）、 Direction classifier（方向分类器）和Recognition（文本识别）三部分，因此需要三个模型。

  • 文本检测：定位出图像中的文字区域
  • 方向分类器：将各种方向的文本框通过仿射变换变为水平方向，文本方向分类器用来判断文本是不是上下颠倒的
  • 文本识别：文本行图像解码为文本

其中文本检测有三个模型，分别是 MobileNetV3、ResNet18_vd 和 ResNet50，其中最常使用的是MobileNetV3 模型，整体比较小，适合应用于手机端。文本识别只有一个MobileNetV3预训练模型。方向分类器使用默认的模型。

参考官方的demo：PaddleOCR demo

from paddleocr import PaddleOCR, draw_ocr
from PIL import Image


# load model
# Paddleocr目前支持中英文、英文、法语、德语、韩语、日语，可以通过修改 lang参数进行切换
# lang参数依次为`ch`, `en`, `french`, `german`, `korean`, `japan`
ocr = PaddleOCR(lang="ch",
                use_gpu=False,
                det_model_dir="../paddleORC_model/ch_ppocr_server_v2.0_det_infer/",
                cls_model_dir="ch_ppocr_mobile_v2.0_cls_infer/",
                rec_model_dir="ch_ppocr_server_v2.0_rec_infer/")

# load dataset
img_path = 'test.jpg'
resul = ocr.ocr(img_path)
for line in result:
    print(line)

# 注：
# result是一个list，每个item包含了文本框，文字和识别置信度
# line的格式为：
# [[[3.0, 149.0], [43.0, 149.0], [43.0, 163.0], [3.0, 163.0]], ('人心安', 0.6762619018554688)]
# 文字框 boxes = line[0]，包含文字框的四个角的(x,y)坐标
# 文字 txts = line[1][0]
# 识别置信度 scores = line[1][1]

# visual
image = Image.open(img_path).convert('RGB')
boxes = [line[0] for line in result]
txts = [line[1][0] for line in result]
scores = [line[1][1] for line in result]
im_show = draw_ocr(image, boxes, txts, scores)
im_show = Image.fromarray(im_show)
im_show.save('result.jpg')

PaddleOCR 和 PP-Structure 的区别​

PaddleOCR 和 PP-Structure 都是由PaddlePaddle生态提供的工具，它们虽然有相似之处，但主要服务于不同的场景和需求：

PaddleOCR​

  • 主要功能：PaddleOCR 主要专注于光学字符识别（OCR），包括文本检测和文本识别。它可以识别图片中的文字信息，并将这些信息转换为电子文本格式。
  • 用途：它适用于各种图片和场景中的文字识别，如身份证、名片、街道标志、商品信息等。
  • 特点：
    • 高精度和高性能的文字识别。
    • 支持多语言识别。
    • 提供丰富的预训练模型和轻量级模型选项。
    • 易于集成和使用在各种应用中。

假设你有一张街道的照片，照片中包含了一些商店招牌和路标上的文本。你想从这张照片中提取出所有文本信息。

使用 PaddleOCR，你可以轻松实现这个目标。PaddleOCR会首先通过文本检测模型识别出照片中所有文本的位置，然后通过文本识别模型将这些文本转换为可编辑的电子文本格式。最终，你会得到一个包含了所有招牌和路标上文本的文本文件。

from paddleocr import PaddleOCR, draw_ocr

ocr = PaddleOCR()  # 默认调用英文模型，可以通过参数选择或自定义模型
img_path = 'path_to_your_image.jpg'
result = ocr.ocr(img_path, cls=True)

for line in result:
    print(line)

# 可视化结果
image = draw_ocr(img_path, result, font_path='path_to_font')
image.show()

PP-Structure​

  • 主要功能：PP-Structure 是PaddleOCR的一个扩展，专注于结构化文档分析，能够处理更复杂的文档布局和结构，如表格、表单等。
  • 用途：它适合于处理和解析具有固定格式或者复杂结构的文档，如发票、财务报表、科学论文等，不仅识别文本内容，还能理解文档中的结构信息。
  • 特点：
    • 能够识别和解析文档中的表格、列表和其他结构化数据。
    • 支持从复杂布局的文档中提取结构化信息。
    • 可以与PaddleOCR结合使用，提供从文本检测到结构化信息提取的端到端解决方案。
    • 面向更复杂的文档分析和信息提取需求。

现在假设你有一张纸质发票，你不仅想识别出发票上的文本，还希望能够理解这些文本的结构，例如知道哪些数字是日期、哪些是金额、商品名称等，并且希望能按照一定的格式将这些信息导出。

这时，PP-Structure 就派上了用场。PP-Structure 不仅能识别出发票上的文本，还能理解发票的布局和结构。它能够区分不同的信息块，如表头、表格行和列，然后根据这些结构化的信息提取出有用的数据，比如将发票上的商品名称、数量、单价和总价分别识别并提取出来，最终生成一个结构化的数据文件，如CSV或JSON，方便进一步的数据处理和分析。

from ppstructure import predict_system
from ppstructure.utility import draw_structure_result, save_structure_res

# 初始化 PP-Structure系统
system = predict_system.StructureSystem()

# 读取发票图像路径
img_path = "path_to_your_invoice_image.jpg"

# 使用PP-Structure处理图像，并获取结构化结果
result = system(img_path)

# 保存和可视化结构化结果
save_structure_res(result, save_folder="./output", img_name="output.jpg")
draw_structure_result(img_path, result, save_name="visualized_output.jpg")
编辑此页
最后由 alsritter.mac 于 更新