$ hub install french_ocr_db_crnn_mobile==1.1.0

二、安装

• 1、环境依赖

  • paddlepaddle >= 2.0.2

  • paddlehub >= 2.0.0 | 如何安装paddlehub

• 2、安装

  • $ hub install french_ocr_db_crnn_mobile

  • 如您安装时遇到问题，可参考：零基础windows安装 | 零基础Linux安装 | 零基础MacOS安装

三、模型API预测

• 1、命令行预测

  • $ hub run french_ocr_db_crnn_mobile --input_path "/PATH/TO/IMAGE"
    $ hub run french_ocr_db_crnn_mobile --input_path "/PATH/TO/IMAGE" --det True --rec True --use_angle_cls True  --box_thresh 0.7 --angle_classification_thresh 0.8 --visualization True

  • 通过命令行方式实现文字识别模型的调用，更多请见 PaddleHub命令行指令

• 2、预测代码示例

  • import paddlehub as hub
    import cv2
    
    ocr = hub.Module(name="french_ocr_db_crnn_mobile", enable_mkldnn=True)       # mkldnn加速仅在CPU下有效
    result = ocr.recognize_text(images=[cv2.imread('/PATH/TO/IMAGE')])
    
    # or
    # result = ocr.recognize_text(paths=['/PATH/TO/IMAGE'])

• 3、API

  • def __init__(self,
                 det=True,
                 rec=True,
                 use_angle_cls=False,
                 enable_mkldnn=False,  
                 use_gpu=False,
                 box_thresh=0.6,
                 angle_classification_thresh=0.9)

    • 构造FrechOCRDBCRNNMobile对象

    • 参数

      • det(bool): 是否开启文字检测。默认为True。
      • rec(bool): 是否开启文字识别。默认为True。
      • use_angle_cls(bool): 是否开启方向分类, 用于设置使用方向分类器识别180度旋转文字。默认为False。
      • enable_mkldnn(bool): 是否开启mkldnn加速CPU计算。该参数仅在CPU运行下设置有效。默认为False。
      • use_gpu (bool): 是否使用 GPU；若使用GPU，请先设置CUDA_VISIBLE_DEVICES环境变量
      • box_thresh (float): 检测文本框置信度的阈值；
      • angle_classification_thresh(float): 文本方向分类置信度的阈值

• def recognize_text(images=[],
                     paths=[],
                     output_dir='ocr_result',
                     visualization=False)

  • 预测API，检测输入图片中的所有文本的位置和识别文本结果。

  • 参数

    • paths (list[str]): 图片的路径；
    • images (list[numpy.ndarray]): 图片数据，ndarray.shape 为 [H, W, C]，BGR格式；
    • output_dir (str): 图片的保存路径，默认设为 ocr_result；
    • visualization (bool): 是否将识别结果保存为图片文件, 仅有检测开启时有效, 默认为False；

  • 返回

    • res (list[dict]): 识别结果的列表，列表中每一个元素为 dict，各字段为：
      • data (list[dict]): 识别文本结果，列表中每一个元素为 dict，各字段为：
        • text(str): 识别得到的文本
        • confidence(float): 识别文本结果置信度
        • text_box_position(list): 文本框在原图中的像素坐标，4*2的矩阵，依次表示文本框左下、右下、右上、左上顶点的坐标，如果无识别结果则data为[]
        • orientation(str): 分类的方向，仅在只有方向分类开启时输出
        • score(float): 分类的得分，仅在只有方向分类开启时输出
      • save_path (str, optional): 识别结果的保存路径，如不保存图片则save_path为''

四、服务部署

• PaddleHub Serving 可以部署一个目标检测的在线服务。

• 第一步：启动PaddleHub Serving

  • 运行启动命令：

  • $ hub serving start -m french_ocr_db_crnn_mobile

  • 这样就完成了一个目标检测的服务化API的部署，默认端口号为8866。

  • NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

• 第二步：发送预测请求

  • 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

  • import requests
    import json
    import cv2
    import base64
    
    def cv2_to_base64(image):
        data = cv2.imencode('.jpg', image)[1]
        return base64.b64encode(data.tostring()).decode('utf8')
    
    # 发送HTTP请求
    data = {'images':[cv2_to_base64(cv2.imread("/PATH/TO/IMAGE"))]}
    headers = {"Content-type": "application/json"}
    url = "http://127.0.0.1:8866/predict/french_ocr_db_crnn_mobile"
    r = requests.post(url=url, headers=headers, data=json.dumps(data))
    
    # 打印预测结果
    print(r.json()["results"])

五、更新历史

• 1.0.0

  初始发布

• 1.1.0

  优化模型

  • $ hub install french_ocr_db_crnn_mobile==1.1.0