paddleOCR GPU版安装以及使用最详细易懂教程版（含详细的cuda安装教程）

全能全知者

已于 2024-10-23 01:36:46 修改

阅读量5.8k

点赞数 21

分类专栏： PaddleOCR 文章标签： python paddle paddleocr 文字识别 opencv 表格识别

于 2024-10-23 01:34:29 首次发布

本文链接：https://blog.csdn.net/qq_74177889/article/details/143172345

版权

PaddleOCR 专栏收录该内容

1 篇文章

订阅专栏

paddleOCR GPU版安装以及使用（含详细的cuda安装教程）

官网地址:PaddleOCR 文档

一，查看自己的显卡最高支持什么CUDA版本

显卡允许的CUDA版本是向下兼容的。

方法一：在cmd命令窗口中输入nvidia-smi，发现版本最高支持12.6

在这里插入图片描述

方法2：点击NVIDIA控制面板→系统信息

在这里插入图片描述

二，查看paddleOCR最高支持什么CUDA版本，以及安装paddleOCR

安装paddleOCR之前要安装paddlepaddle框架，而在经过多次尝试后得知CUDA版本要跟paddle支持的CUDA版本要一样。

查看地址：开始使用_飞桨-源于产业实践的开源深度学习平台

在这里插入图片描述

我这个时候只最高支持CUDA12.0，所以安装CUDA的时候版本要记得安装最多安装12.0版本，否则是无法正常运行的。

python版本尽量往高的来。

确定了选用的CUDA版本后进行安装paddle（自己去官网找适合自己的，这只是示例）：

python -m pip install paddlepaddle-gpu==2.6.1.post120 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html

安装paddleocr

pip install paddleocr

三，安装CUDA

官网链接: https://developer.nvidia.com/cuda-toolkit-archive

找到自己对应的CUDA版本点进去

在这里插入图片描述

按照自己系统的方式去选择，此时以windows为例子
在这里插入图片描述

下载完成之后打开进行安装，可以自己选择安装地址

在这里插入图片描述

一直点下一步就行了，安装选项选择精简：
在这里插入图片描述

重新打开命令窗口查看是否安装成功
在命令窗口中输入nvcc -V 进行检查

(base) PS C:\Users\sumengxian> nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Mon_Oct_24_19:40:05_Pacific_Daylight_Time_2022
Cuda compilation tools, release 12.0, V12.0.76
Build cuda_12.0.r12.0/compiler.31968024_0

四，安装cuDNN

这是CUDA加速工具，paddleOCR默认需要这个工具
官网地址：

往期版本地址:cuDNN Archive | NVIDIA Developer

在这里插入图片描述

下载zip文件，解压之后有这些文件

在这里插入图片描述

然后找到CUDA的安装目录覆盖进去，就安装成功了

在这里插入图片描述

五，paddleOCR的使用

1.快速开始

官方示例：

from paddleocr import PaddleOCR
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'#我的电脑因为报某些错误需要加上这个
# Paddleocr目前支持的多语言语种可以通过修改lang参数进行切换
# 例如`ch`, `en`, `fr`, `german`, `korean`, `japan`
ocr = PaddleOCR(use_angle_cls=True, lang="ch",use_gpu = True)  # need to run only once to download and load model into memory   use_gpu 开启gpu(显卡)进行推理
img_path = './imgs/11.jpg'
result = ocr.ocr(img_path, cls=True)
for idx in range(len(result)):
    res = result[idx]
    for line in res:
        print(line)

结果是一个list，每个item包含了文本框，文字和识别置信度

`1 2`	`[[[28.0, 37.0], [302.0, 39.0], [302.0, 72.0], [27.0, 70.0]], ('纯臻营养护发素', 0.9658738374710083)] ......`

2.PaddleOCR模型推理参数列表

推荐:

本人推荐将det_limit_side_len参数设置为1920，防止当照片过大时而有些文字没有被识别到
det_model_dir = "./models/det/ch/ch_PP-OCRv4_det_server_infer/"
rec_model_dir = "./models/rec/ch/ch_PP-OCRv4_rec_server_infer/"
cls_model_dir = "./models/cls/ch_ppocr_mobile_v2.0_cls_infer/"
s
det_limit_side_len = 1920

在使用PaddleOCR进行模型推理时，可以自定义修改参数，来修改模型、数据、预处理、后处理等内容，详细的参数解释如下所示。

全局信息

参数名称	类型	默认值	含义
image_dir	str	无，必须显式指定	图像或者文件夹路径
page_num	int	0	当输入类型为pdf文件时有效，指定预测前面page_num页，默认预测所有页
vis_font_path	str	“./doc/fonts/simfang.ttf”	用于可视化的字体路径
drop_score	float	0.5	识别得分小于该值的结果会被丢弃，不会作为返回结果
use_pdserving	bool	False	是否使用Paddle Serving进行预测
warmup	bool	False	是否开启warmup，在统计预测耗时的时候，可以使用这种方法
draw_img_save_dir	str	“./inference_results”	系统串联预测OCR结果的保存文件夹
save_crop_res	bool	False	是否保存OCR的识别文本图像
crop_res_save_dir	str	“./output”	保存OCR识别出来的文本图像路径
use_mp	bool	False	是否开启多进程预测
total_process_num	int	6	开启的进程数，`use_mp`为`True`时生效
process_id	int	0	当前进程的id号，无需自己修改
benchmark	bool	False	是否开启benchmark，对预测速度、显存占用等进行统计
save_log_path	str	“./log_output/”	开启`benchmark`时，日志结果的保存文件夹
show_log	bool	True	是否显示预测中的日志信息
use_onnx	bool	False	是否开启onnx预测

预测引擎相关

参数名称	类型	默认值	含义
use_gpu	bool	True	是否使用GPU进行预测
ir_optim	bool	True	是否对计算图进行分析与优化，开启后可以加速预测过程
use_tensorrt	bool	False	是否开启tensorrt
min_subgraph_size	int	15	tensorrt中最小子图size，当子图的size大于该值时，才会尝试对该子图使用trt engine计算
precision	str	fp32	预测的精度，支持`fp32`, `fp16`, `int8` 3种输入
enable_mkldnn	bool	True	是否开启mkldnn
cpu_threads	int	10	开启mkldnn时，cpu预测的线程数

文本检测模型相关

参数名称	类型	默认值	含义
det_algorithm	str	“DB”	文本检测算法名称，目前支持`DB`, `EAST`, `SAST`, `PSE`, `DB++`, `FCE`
det_model_dir	str	xx	检测inference模型路径
det_limit_side_len	int	960	检测的图像边长限制
det_limit_type	str	“max”	检测的边长限制类型，目前支持`min`和`max`，`min`表示保证图像最短边不小于`det_limit_side_len`，`max`表示保证图像最长边不大于`det_limit_side_len`

其中，DB算法相关参数如下

参数名称	类型	默认值	含义
det_db_thresh	float	0.3	DB输出的概率图中，得分大于该阈值的像素点才会被认为是文字像素点
det_db_box_thresh	float	0.6	检测结果边框内，所有像素点的平均得分大于该阈值时，该结果会被认为是文字区域
det_db_unclip_ratio	float	1.5	`Vatti clipping`算法的扩张系数，使用该方法对文字区域进行扩张
max_batch_size	int	10	预测的batch size
use_dilation	bool	False	是否对分割结果进行膨胀以获取更优检测效果
det_db_score_mode	str	“fast”	DB的检测结果得分计算方法，支持`fast`和`slow`，`fast`是根据polygon的外接矩形边框内的所有像素计算平均得分，`slow`是根据原始polygon内的所有像素计算平均得分，计算速度相对较慢一些，但是更加准确一些。

EAST算法相关参数如下

参数名称	类型	默认值	含义
det_east_score_thresh	float	0.8	EAST后处理中score map的阈值
det_east_cover_thresh	float	0.1	EAST后处理中文本框的平均得分阈值
det_east_nms_thresh	float	0.2	EAST后处理中nms的阈值

SAST算法相关参数如下

参数名称	类型	默认值	含义
det_sast_score_thresh	float	0.5	SAST后处理中的得分阈值
det_sast_nms_thresh	float	0.5	SAST后处理中nms的阈值
det_box_type	str	quad	是否多边形检测，弯曲文本场景（如Total-Text）设置为’poly’

PSE算法相关参数如下

参数名称	类型	默认值	含义
det_pse_thresh	float	0.0	对输出图做二值化的阈值
det_pse_box_thresh	float	0.85	对box进行过滤的阈值，低于此阈值的丢弃
det_pse_min_area	float	16	box的最小面积，低于此阈值的丢弃
det_box_type	str	“quad”	返回框的类型，quad:四点坐标，poly: 弯曲文本的所有点坐标
det_pse_scale	int	1	输入图像相对于进后处理的图的比例，如`640640`的图像，网络输出为`160160`，scale为2的情况下，进后处理的图片shape为`320*320`。这个值调大可以加快后处理速度，但是会带来精度的下降

文本识别模型相关

参数名称	类型	默认值	含义
rec_algorithm	str	“CRNN”	文本识别算法名称，目前支持`CRNN`, `SRN`, `RARE`, `NETR`, `SAR`, `ViTSTR`, `ABINet`, `VisionLAN`, `SPIN`, `RobustScanner`, `SVTR`, `SVTR_LCNet`
rec_model_dir	str	无，如果使用识别模型，该项是必填项	识别inference模型路径
rec_image_shape	str	“3,48,320”	识别时的图像尺寸
rec_batch_num	int	6	识别的batch size
max_text_length	int	25	识别结果最大长度，在`SRN`中有效
rec_char_dict_path	str	“./ppocr/utils/ppocr_keys_v1.txt”	识别的字符字典文件
use_space_char	bool	True	是否包含空格，如果为`True`，则会在最后字符字典中补充`空格`字符

端到端文本检测与识别模型相关

参数名称	类型	默认值	含义
e2e_algorithm	str	“PGNet”	端到端算法名称，目前支持`PGNet`
e2e_model_dir	str	无，如果使用端到端模型，该项是必填项	端到端模型inference模型路径
e2e_limit_side_len	int	768	端到端的输入图像边长限制
e2e_limit_type	str	“max”	端到端的边长限制类型，目前支持`min`, `max`，`min`表示保证图像最短边不小于`e2e_limit_side_len`，`max`表示保证图像最长边不大于`e2e_limit_side_len`
e2e_pgnet_score_thresh	float	0.5	端到端得分阈值，小于该阈值的结果会被丢弃
e2e_char_dict_path	str	“./ppocr/utils/ic15_dict.txt”	识别的字典文件路径
e2e_pgnet_valid_set	str	“totaltext”	验证集名称，目前支持`totaltext`, `partvgg`，不同数据集对应的后处理方式不同，与训练过程保持一致即可
e2e_pgnet_mode	str	“fast”	PGNet的检测结果得分计算方法，支持`fast`和`slow`，`fast`是根据polygon的外接矩形边框内的所有像素计算平均得分，`slow`是根据原始polygon内的所有像素计算平均得分，计算速度相对较慢一些，但是更加准确一些。

方向分类器模型相关

参数名称	类型	默认值	含义
use_angle_cls	bool	False	是否使用方向分类器
cls_model_dir	str	无，如果需要使用，则必须显式指定路径	方向分类器inference模型路径
cls_image_shape	str	“3,48,192”	预测尺度
label_list	list	[‘0’, ‘180’]	class id对应的角度值
cls_batch_num	int	6	方向分类器预测的batch size
cls_thresh	float	0.9	预测阈值，模型预测结果为180度，且得分大于该阈值时，认为最终预测结果为180度，需要翻转

3.修改模型

模型库 - PaddleOCR 文档

这里提供了各种的OCR模型可以进行替换
最简单的替换方式是改源码中的url:
在这里插入图片描述

调用的时候就加上字段lang="ch"就可以了

4.对齐文字

将输出文字对齐，这是大佬开源的一个项目:xhw205/PaddleOCR_AlignText: PaddleOCR 输出结果的行对齐，表格制式图像OCR行对齐
效果:
在这里插入图片描述

代码：

from paddleocr import PaddleOCR
import numpy as np
from interval import Interval
from PIL import Image

det_model_dir = "./inference/ch_PP-OCRv4_det_infer/"
rec_model_dir = "./inference/ch_PP-OCRv4_rec_infer/"
cls_model_dir = "./inference/ch_ppocr_mobile_v2.0_cls_infer/"

class OCR(PaddleOCR):
    def __init__(self, **kwargs):
        super(OCR, self).__init__(**kwargs)

    def ocr_new(self, img, det=True, rec=True, cls=True):
        res = self.ocr(img, det=det, rec=rec, cls=cls)
        if res!=None:
            return res
        else:
            img_v = Image.open(img).convert("RGB")
            img_v = np.asanyarray(img_v)[:,:,[2,1,0]]
            dt_boxes, rec_res = self.__call__(img_v)
            return [[box.tolist(), res] for box, res in zip(dt_boxes, rec_res)]

def align_text(res, threshold=0):
    res.sort(key=lambda i: (i[0][0][0]))  # 按照x排
    already_IN, line_list = [], []
    for i in range(len(res)):  # i当前
        # print(res[i][1][0])
        if res[i][0][0] in already_IN:
            continue
        line_txt = " " + "".join(res[i][1][0].split()) + " "
        already_IN.append(res[i][0][0])
        y_i_points = [res[i][0][0][1], res[i][0][1][1], res[i][0][3][1], res[i][0][2][1]]
        min_I_y, max_I_y = min(y_i_points), max(y_i_points)
        curr = Interval(min_I_y + (max_I_y - min_I_y) // 3, max_I_y)
        curr_mid = min_I_y + (max_I_y - min_I_y) // 2

        for j in range(i + 1, len(res)):  # j下一个
            if res[j][0][0] in already_IN:
                continue
            y_j_points = [res[j][0][0][1], res[j][0][1][1], res[j][0][3][1], res[j][0][2][1]]
            min_J_y, max_J_y = min(y_j_points), max(y_j_points)
            next_j = Interval(min_J_y, max_J_y - (max_J_y - min_J_y) // 3)

            if next_j.overlaps(curr) and curr_mid in Interval(min_J_y, max_J_y):
                line_txt += (res[j][1][0] + "  ")
                already_IN.append(res[j][0][0])
                curr = Interval(min_J_y + (max_J_y - min_J_y) // 3, max_J_y)
                curr_mid = min_J_y + (max_J_y - min_J_y) // 2
        line_list.append((res[i][0][0][1], line_txt))
    line_list.sort(key=lambda x: x[0])
    txt = '\n'.join([i[1] for i in line_list])
    return txt,line_list

paddle_ocr_engin = OCR(det_model_dir= det_model_dir,rec_model_dir= rec_model_dir,cls_model_dir= cls_model_dir,use_angle_cls=True)
res = paddle_ocr_engin.ocr_new('./test.jpg')
print(res[0])
print(align_text(res[0]))