8.2 KiB
English | 简体中文
PP-OCRv3
1. 简介
PP-OCRv3在PP-OCRv2的基础上进一步升级。检测模型仍然基于DB算法,优化策略采用了带残差注意力机制的FPN结构RSEFPN、增大感受野的PAN结构LKPAN、基于DML训练的更优的教师模型;识别模型将base模型从CRNN替换成了IJCAI 2022论文SVTR,并采用SVTR轻量化、带指导训练CTC、数据增广策略RecConAug、自监督训练的更好的预训练模型、无标签数据的使用进行模型加速和效果提升。更多细节请参考PP-OCRv3技术报告。
PP-OCRv3系统pipeline如下:

2. 检测优化
PP-OCRv3采用PP-OCRv2的CML蒸馏策略,在蒸馏的student模型、teacher模型精度提升,CML蒸馏策略上分别做了优化。
- 在蒸馏student模型精度提升方面,提出了基于残差结构的通道注意力模块RSEFPN(Residual Squeeze-and-Excitation FPN),用于提升student模型精度和召回。
RSEFPN的网络结构如下图所示,RSEFPN在PP-OCRv2的FPN基础上,将FPN中的卷积层更换为了通道注意力结构的RSEConv层。

RSEFPN将PP-OCR检测模型的精度hmean从81.3%提升到84.5%。模型大小从3M变为3.6M。
注:PP-OCRv2的FPN通道数仅为96和24,如果直接用SE模块代替FPN的卷积会导致精度下降,RSEConv引入残差结构可以防止训练中包含重要特征的通道被抑制。
- 在蒸馏的teacher模型精度提升方面,提出了LKPAN结构替换PP-OCRv2的FPN结构,并且使用ResNet50作为Backbone,更大的模型带来更多的精度提升。另外,对teacher模型使用DML蒸馏策略进一步提升teacher模型的精度。最终teacher的模型指标相比ppocr_server_v2.0从83.2%提升到了86.0%。
注:PP-OCRv2的FPN结构对DB算法FPN结构做了轻量级设计
LKPAN的网络结构如下图所示:

LKPAN(Large Kernel PAN)是一个具有更大感受野的轻量级PAN结构。在LKPAN的path augmentation中,使用kernel size为9*9
的卷积;更大的kernel size意味着更大的感受野,更容易检测大字体的文字以及极端长宽比的文字。LKPAN将PP-OCR检测模型的精度hmean从81.3%提升到84.9%。
注:LKPAN相比RSEFPN有更多的精度提升,但是考虑到模型大小和预测速度等因素,在student模型中使用RSEFPN。
采用上述策略,PP-OCRv3相比PP-OCRv2,hmean指标从83.3%提升到85.4%;预测速度从平均117ms/image变为124ms/image。
- PP-OCRv3检测模型消融实验
序号 | 策略 | 模型大小 | hmean | Intel Gold 6148CPU+mkldnn预测耗时 |
---|---|---|---|---|
0 | PP-OCR | 3M | 81.3% | 117ms |
1 | PP-OCRV2 | 3M | 83.3% | 117ms |
2 | 0 + RESFPN | 3.6M | 84.5% | 124ms |
3 | 0 + LKPAN | 4.6M | 84.9% | 156ms |
4 | ppocr_server_v2.0 | 124M | 83.2% | |
5 | teacher + DML + LKPAN | 124M | 86.0% | 396ms |
6 | 0 + 2 + 5 + CML | 3.6M | 85.4% | 124ms |
3. 识别优化
SVTR 证明了强大的单视觉模型(无需序列模型)即可高效准确完成文本识别任务,在中英文数据上均有优秀的表现。经过实验验证,SVTR_Tiny 在自建的 中文数据集上 ,识别精度可以提升10.7%,SVTR_Tiny 网络结构如下所示:

由于 MKLDNN 加速库支持的模型结构有限,SVTR 在CPU+MKLDNN上相比PP-OCRv2慢了10倍。
PP-OCRv3 期望在提升模型精度的同时,不带来额外的推理耗时。通过分析发现,SVTR_Tiny结构的主要耗时模块为Mixing Block,因此我们对 SVTR_Tiny 的结构进行了一系列优化(详细速度数据请参考下方消融实验表格):
- 将SVTR网络前半部分替换为PP-LCNet的前三个stage,保留4个 Global Mixing Block ,精度为76%,加速69%,网络结构如下所示:
- 将4个 Global Attenntion Block 减小到2个,精度为72.9%,加速69%,网络结构如下所示:
- 实验发现 Global Attention 的预测速度与输入其特征的shape有关,因此后移Global Mixing Block的位置到池化层之后,精度下降为71.9%,速度超越 CNN-base 的PP-OCRv2 22%,网络结构如下所示:
id | 策略 | 模型大小 | 精度 | 速度(cpu + mkldnn) |
---|---|---|---|---|
01 | PP-OCRv2 | 8M | 69.3% | 8.54ms |
02 | SVTR_Tiny | 21M | 80.1% | 97ms |
03 | PP-LCNet_SVTR(G4) | 9.2M | 76% | 30ms |
04 | PP-LCNet_SVTR(G2) | 13M | 72.98% | 9.37ms |
05 | PP-LCNet_SVTR | 12M | 71.9% | 6.6ms |
注: 测试速度时,输入图片尺寸均为(3,32,320)
为了提升模型精度同时不引入额外推理成本,PP-OCRv3参考GTC策略,使用Attention监督CTC训练,预测时完全去除Attention模块,在推理阶段不增加任何耗时, 精度提升3.8%,训练流程如下所示:
在训练策略方面,PP-OCRv3参考 SSL 设计了文本方向任务,训练了适用于文本识别的预训练模型,加速模型收敛过程,精度提升了0.6%; 使用UDML蒸馏策略,进一步提升精度1.5%,训练流程所示:
数据增强方面:
-
基于 ConCLR 中的ConAug方法,设计了 RecConAug 数据增强方法,增强数据多样性,精度提升0.5%,增强可视化效果如下所示:
-
使用训练好的 SVTR_large 预测 120W 的 lsvt 无标注数据,取出其中得分大于0.95的数据,共得到81W识别数据加入到PP-OCRv3的训练数据中,精度提升1%。
总体来讲PP-OCRv3识别从网络结构、训练策略、数据增强三个方向做了进一步优化:
- 网络结构上:考虑SVTR 在中英文效果上的优越性,采用SVTR_Tiny作为base,选取Global Mixing Block和卷积组合提取特征,并将Global Mixing Block位置后移进行加速; 参考 GTC 策略,使用注意力机制模块指导CTC训练,定位和识别字符,提升不规则文本的识别精度。
- 训练策略上:参考 SSL 设计了方向分类前序任务,获取更优预训练模型,加速模型收敛过程,提升精度; 使用UDML蒸馏策略、监督attention、ctc两个分支得到更优模型。
- 数据增强上:基于 ConCLR 中的ConAug方法,改进得到 RecConAug 数据增广方法,支持随机结合任意多张图片,提升训练数据的上下文信息丰富度,增强模型鲁棒性;使用 SVTR_large 预测无标签数据,向训练集中补充81w高质量真实数据。
基于上述策略,PP-OCRv3识别模型相比PP-OCRv2,在速度可比的情况下,精度进一步提升4.5%。 具体消融实验如下所示:
实验细节:
id | 策略 | 模型大小 | 精度 | 速度(cpu + mkldnn) |
---|---|---|---|---|
01 | PP-OCRv2 | 8M | 69.3% | 8.54ms |
02 | SVTR_Tiny | 21M | 80.1% | 97ms |
03 | PP-LCNet_SVTR | 12M | 71.9% | 6.6ms |
04 | + GTC | 12M | 75.8% | 7.6ms |
05 | + TextConAug | 12M | 76.3% | 7.6ms |
06 | + TextRotNet | 12M | 76.9% | 7.6ms |
07 | + UDML | 12M | 78.4% | 7.6ms |
08 | + HLD | 12M | 79.4% | 7.6ms |
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)