吊打一切现有开源OCR项目：效果再升7%，速度提升220%

 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。

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；

• 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

点击进入了解更多技术资讯~~