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 Top 20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 CVPR 2020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 Top 20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 ② Students 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:
(3)识别模型优化:LCNet 轻量级骨干网络
这里,PP-OCRv2 的研发团队提出了一种基于 MobileNetV1 改进的新的骨干网络 LCNet,主要的改动包括:
① 除 SE 模块,网络中所有的 relu 替换为 h-swish,精度提升1%-2%
② LCNet 第五阶段,DW 的 kernel size变为5x5,精度提升0.5%-1%
③ LCNet 第五阶段的最后两个 DepthSepConv block 添加 SE 模块, 精度提升0.5%-1%
④ GAP 后添加1280维的 FC 层,增加特征表达能力,精度提升2%-3%
(4)识别模型优化:UDML 知识蒸馏策略
在标准的 DML 知识蒸馏的基础上,新增引入了对于 Feature Map 的监督机制,新增 Feature Loss,增加迭代次数,在 Head 部分增加额外的 FC 网络,最终加快蒸馏的速度同时提升效果。
(5)识别模型优化:Enhanced CTC loss 改进
考虑到中文 OCR 任务经常遇到的识别难点是相似字符数太多,容易误识,借鉴 Metric Learning 的想法,引入 Center Loss,进一步增大类间距离,核心思路如上图公式所示。
经过以上三个识别方向的优化策略,PP-OCRv2 识别部分的实验效果如下:
经过以上五个方向的优化,最终 PP-OCRv2 仅以少量模型大小增加的代价,全面超越 PP-OCR,取得了良好的效果。
05 良心出品的中英文文档教程
随着本次 PP-OCRv2 升级,PaddleOCR 的项目文档也全面升级,结构更清晰,内容更丰富:
别的不需要多说了,大家访问 GitHub 点过 star 之后自己体验吧:
https://github.com/PaddlePaddle/PaddleOCR