Datawhale开源

开源方向：OCR开源项目

01

导读

OCR方向的工程师，之前一定听说过PaddleOCR这个项目，其主要推荐的PP-OCR算法更是被国内外企业开发者广泛应用，短短半年时间，累计Star数量已超过15k，频频登上Github Trending和Paperswithcode 日榜月榜第一，在《Github 2020数字洞察报告》中被评为中国Github Top20活跃项目，称它为OCR方向目前最火的repo绝对不为过。

最近，由PaddleOCR原创团队，针对PP-OCR进行了一些经验性改进，构建了一种新的OCR系统，称为PP-OCRv2。

■ 从算法改进思路上看，主要有五个方面的改进。

（1）检测模型优化：采用CML协同互学习知识蒸馏策略；

（2）检测模型优化：CopyPaste数据增广策略；

（3）识别模型优化：LCNet轻量级骨干网络；

（4）识别模型优化：UDML 改进知识蒸馏策略；

（5）识别模型优化：Enhanced CTC loss损失函数改进。

■ 从效果上看，主要有三个方面提升：

（1）在模型效果上，相对于PP-OCR mobile版本提升超7%；

（2）在速度上，相对于PP-OCR server版本提升超过220%；

（3）在模型大小上，11.6M的总大小，服务器端和移动端都可以轻松部署。

GitHub项目: https://github.com/PaddlePaddle/PaddleOCR

注：为了照顾刚了解PaddleOCR的新用户，在第二、三部分简单进行一些背景介绍，熟悉PaddleOCR的老用户可以直接跳到第四部分。

02

PaddleOCR历史表现回顾

✦ 2020年6月，8.6M超轻量模型发布，GitHub Trending 全球趋势榜日榜第一。

✦ 2020年8月，开源CVPR2020顶会算法，再上GitHub趋势榜单！

✦ 2020年10月，发布PP-OCR算法，开源3.5M超超轻量模型，再上Paperswithcode 趋势榜第一！

✦ 2021年1月，发布Style-Text文本合成算法和PPOCRLabel数据标注工具，star数量突破10000+，在《Github 2020数字洞察报告》中被评为中国Github Top20活跃项目。

✦ 2021年4月，开源AAAI顶会论文PGNet端到端识别算法，Star突破13k。

✦ 2021年8月，开源版面分析与表格识别算法PP-Structure，Star突破15k。

✦ 2021年9月，发布PP-OCRv2算法，效果和速度再升级。

03

PaddleOCR开源能力速览

（1）通用文本检测识别效果：支持通用场景下的OCR文本快速检测识别

（2）文本合成工具Style-Text效果：相比于传统的数据合成算法，Style-Text可以实现特殊背景下的图片风格迁移，只需要少许目标场景图像，就可以合成大量数据，效果展示如下：

（3）半自动标注工具PPOCRLabel：通过内置高质量的PP-OCR中英文超轻量预训练模型，可以实现OCR数据的高效标注。CPU机器运行也是完全没问题的。用法也是非常的简单，标注效率提升60%-80%是妥妥的，效果演示如下：

（4）文档结构分析+表格提取PP-Structure：可以对文档图片中的文本、表格、图片、标题与列表区域进行分类，还可以利用表格识别技术完整地提取表格结构信息，使得表格图片变为可编辑的Excel文件。

（5）核心能力全部可以自定义训练，动静统一的开发体验

动态图和静态图是深度学习框架常用的两种模式。在动态图模式下，代码编写运行方式符合Python程序员的习惯，易于调试，但在性能方面， Python执行开销较大，与C++有一定差距。相比动态图，静态图在部署方面更具有性能的优势。静态图程序在编译执行时，预先搭建好的神经网络可以脱离Python依赖，在C++端被重新解析执行，而且拥有整体网络结构也能进行一些网络结构的优化。

PaddleOCR依赖飞桨核心框架动静统一的能力，支持用户使用动态图编写组网代码。预测部署时，飞桨会对用户代码进行分析，自动转换为静态图网络结构，兼顾了动态图易用性和静态图部署性能两方面优势。

传送门：

Github：https://github.com/PaddlePaddle/PaddleOCR

那么最近的2021年9月份更新，PaddleOCR又给大家带来哪些惊喜呢？

04

PP-OCRv2五大关键技术点深入解读：

全新升级的PP-OCRv2版本，整体的框架图保持了与PP-OCR相同的Pipeline，如下图所示。

在优化策略方面，主要从五个角度进行了深入优化（如上图红框所示），主要包括：

■ 检测模型优化：采用CML知识蒸馏策略

■ 检测模型优化：CopyPaste数据增广策略

■ 识别模型优化：LCNet轻量级骨干网络

■ 识别模型优化：UDML 知识蒸馏策略

■ 识别模型优化：Enhanced CTC loss 改进

下面展开详细介绍：

（1）检测模型优化：采用CML (Collaborative Mutual Learning) 协同互学习知识蒸馏策略。

如上图所示，CML的核心思想结合了①传统的Teacher指导Student的标准蒸馏与 ②Students网络直接的DML互学习，可以让Students网络互学习的同时，Teacher网络予以指导。对应的，精心设计关键的三个Loss损失函数：GT Loss、DML Loss和Distill Loss，在Teacher网络Backbone为ResNet18的条件下，对Student的MobileNetV3起到了良好的提升效果。

（2）检测模型优化：CopyPaste数据增广策略

数据增广是提升模型泛化能力重要的手段之一，CopyPaste 是一种新颖的数据增强技巧，已经在目标检测和实例分割任务中验证了有效性。利用CopyPaste，可以合成文本实例来平衡训练图像中的正负样本之间的比例。相比而言，传统图像旋转、随机翻转和随机裁剪是无法做到的。CopyPaste主要步骤包括：①随机选择两幅训练图像，②随机尺度抖动缩放，③随机水平翻转，④随机选择一幅图像中的目标子集，⑤粘贴在另一幅图像中随机的位置。这样，就比较好的提升了样本丰富度，同时也增加了模型对环境鲁棒性。

经过以上两个检测方向的优化策略，PP-OCRv2检测部分的实验效果如下：