Github Star 11.5K 项目再发版：AAAI 2021 顶会论文开源，80+ 多语言模型全新升级

百度大脑

关注

发布于: 2021 年 04 月 14 日

一、导读

OCR 方向的工程师，一定需要知道这个 OCR 开源项目：PaddleOCR

短短半年时间，累计 Star 数量已超过 11.5K，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，它又带来两项全新发布：

AAAI 2021 顶会论文开源：PGNet: Real-time Arbitrarily-Shaped Text Spotting with Point Gathering Network 提出了一种简单且有效的任意方向端到端文本识别模型，在精度可比的基础上，与先前的 SOTA 算法相比，经过飞桨预测引擎加速和后处理优化后，预测速度快了两倍。
多语言支持种类提升至 80+种：基本覆盖国际主流语言种类，在开源测试集 MLT2017 评估，中文、韩文、日文、拉丁语系、阿拉伯语系，识别效果均显著优于 EasyOCR，开源 SOTA 效果。

二、PaddleOCR 历史表现回顾

先看下 PaddleOCR 自去年 6 月开源以来，短短几个月在 GitHub 上的表现：

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，再登 Paperswithcode 趋势榜第一！
2021 年 1 月，发布 Style-Text 文本合成算法，PPOCRLabel 数据标注工具，star 数量突破 10000+，截至目前已经达到 11.5k，在《Github 2020 数字洞察报告》中被评为中国 Github Top20 活跃项目。

这个含金量，广大的 GitHub 开发者们自然懂

超轻量模型的效果

火车票、表格、金属铭牌、翻转图片、外语都是妥妥的。

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。

飞桨动态图中新增了动态图转静态图的功能，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。

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：

半自动标注工具 PPOCRLabel：

通过内置高质量的 PPOCR 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。效果演示如下：

用法也是非常的简单，标注效率提升 60%-80%是妥妥的。

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

那么最近的 2021 年 4 月份更新，又给大家带来哪些惊喜呢？

三、AAAI 2021 顶会论文：端到端 SOTA 算法 PGNet 开源：

直接先看指标评测表现：PGNet 算法在 Total-Text 数据集上的检测及端到端性能表现，在精度可比的基础上，与先前的 SOTA 算法相比，经过飞桨预测引擎加速和后处理优化后，预测速度翻倍。

▲ 图 1：PGNet 模型的速度与精度性能对比

详细数据指标：

▲ 表 1：ICDAR2015 数据集上的检测及端到端性能

PGNet 提出的方法框架如下图所示，输入的图象经过 Backbone 网络得到 1/4 下采样特征图，通过多任务学习，同时回归四个任务的内容，包括文本边缘偏移量预测（TBO），文本中心线预测（TCL），文本方向偏移量预测（TDO）以及文本字符分类图预测（TCC）。其中文本行的检测结果由 TBO 以及 TCL 经过后处理得到，文本行的识别结果由 TCL，TDO 以及 TCC 的输出得到。

▲ 图 2 ：网络流程框架

在 ICDAR2015 以及 Total-Text 数据集上可以看一下模型效果：

▲ 图 3 Total-Text 及 ICDAR2015 数据集可视化效果图

PGNet 论文地址: https://www.aaai.org/AAAI21Papers/AAAI-2885.WangP.pdf

【基于顶尖算法，开放拿来即用的成熟印章识别能力】同时，基于 PGNet 研发的印章识别能力已经在百度 AI 开放平台开放，可以有效检测并识别合同文件或常用票据中的印章，输出文字内容、印章位置信息以及相关置信度，已支持圆形章、椭圆形章、方形章等常见印章。提供标准化 API 接口，快速集成，同时支持私有化部署至本地，保障业务数据私密性。

开放能力地址：https://ai.baidu.com/tech/ocr/seal注：此处非模型直接开源，但可以申请免费试用。

四、丰富的多语言种类支持，目前已经支持全球 80+ 语言模型

简单对比一下目前主流 OCR 方向开源 repo 的核心能力：中英文模型性能及功能对比

其中，部分多语言模型性能及功能（F1-Score）对比（仅 EasyOCR 提供）

模型效果

值得一提的是，目前已经有全球开发者通过 PR 或者 issue 的方式为 PaddleOCR 提供多语言的字典和语料，在 PaddleOCR 上已经完成了全球 80+ 主流语言的广泛覆盖：包括中文简体、中文繁体、英文、法文、德文、韩文、日文、意大利文、西班牙文、葡萄牙文、俄罗斯文、阿拉伯文、印地文、维吾尔文、波斯文、乌尔都文、塞尔维亚文（latin）、欧西坦文、马拉地文、尼泊尔文、塞尔维亚文、保加利亚文、乌克兰文、白俄罗斯文、泰卢固文、卡纳达文、泰米尔文，也欢迎更多开发者可以参与共建。

五、良心出品的中英文文档教程