4.0 KiB
English | 简体中文
PP-OCR
1. 简介
PP-OCR是PaddleOCR自研的实用的超轻量OCR系统。在实现前沿算法的基础上，考虑精度与速度的平衡，进行模型瘦身和深度优化，使其尽可能满足产业落地需求。
PP-OCR
PP-OCR是一个两阶段的OCR系统，其中文本检测算法选用DB，文本识别算法选用CRNN，并在检测和识别模块之间添加文本方向分类器，以应对不同方向的文本识别。
PP-OCRv2系统pipeline如下：
PP-OCR系统在持续迭代优化，目前已发布PP-OCR、PP-OCRv2、PPOCRv3两个版本：
PP-OCRv2从骨干网络选择和调整、预测头部的设计、数据增强、学习率变换策略、正则化参数选择、预训练模型使用以及模型自动裁剪量化8个方面，采用19个有效策略，对各个模块的模型进行效果调优和瘦身(如绿框所示)，最终得到整体大小为3.5M的超轻量中英文OCR和2.8M的英文数字OCR。更多细节请参考PP-OCR技术方案 https://arxiv.org/abs/2009.09941
PP-OCRv3策略简介
PP-OCRv3文本检测模型优化策略
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。下面简要介绍PPOCRv3的文本检测优化策略。
- 首先，在蒸馏student模型精度提升方面，针对模型召回能力低的问题，提出了RSEFPN的FPN结构用于提升student模型精度；
RSEFPN的网络结构如下图所示，RSEFPN在PPOCRv2的FPN基础上，将FPN中的卷积层更换为了channel attention结构的RSEConv层。
RSEFPN将PPOCR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。
- 然后，在蒸馏的teacher模型精度提升方面，提出了LKPAN结构替换PPOCRv2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。最终teacher的模型指标hmean达到了86.0%。
LKPAN的网络结构如下图所示：
LKPAN是一个具有更大感受野的轻量级PAN结构。在在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base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。
- 最后，调整CML蒸馏训练策略调整：为了进一步提升蒸馏模型的精度，对teacher模型使用DML蒸馏策略进一步提升teacher模型的精度，更好的指导student模型的训练。
采用上述策略，PPOCRv3相比PPOCRv2，hmean指标从83.3%提升到85.4%；预测速度从平均117ms/image变为124ms/image。
- 消融实验
| 序号 | 策略 | 模型大小 | hmean | Intel Gold 6148CPU+mkldnn预测耗时 |
|---|---|---|---|---|
| 0 | ppocr_mobile | 3M | 81.3 | 117ms |
| 1 | PPOCRV2 | 3M | 83.3 | 117ms |
| 2 | 0 + RESFPN | 3.6M | 84.5 | 124ms |
| 3 | 0 + LKPAN | 4.6M | 84.9 | 156ms |
| 4 | teacher DML + LKPAN | 124M | 86.0 | - |
| 5 | 0 + 2 + 4 + CML | 3.6M | 85.4 | 124ms |
2. 特性
- 超轻量PP-OCRv2系列：检测（3.1M）+ 方向分类器（1.4M）+ 识别（8.5M）= 13.0M
- 超轻量PP-OCR mobile移动端系列：检测（3.0M）+方向分类器（1.4M）+ 识别（5.0M）= 9.4M
- 通用PP-OCR server系列：检测（47.1M）+方向分类器（1.4M）+ 识别（94.9M）= 143.4M
- 支持中英文数字组合识别、竖排文本识别、长文本识别
- 支持多语言识别：韩语、日语、德语、法语等约80种语言
3. benchmark
关于PP-OCR系列模型之间的性能对比，请查看benchmark文档。