一、分析与选择 PaddleOCR 提供 2 种服务部署方式： 一种是 PaddleServing 的部署方式, 仅使用 CPU 推理预测在 Windows 和 Linux都能进行部署. 若要使用 GPU 进行推理预测, 在 Windows 上只能使用 Docker 进行部署 (这步没有进行尝试). 在 Linux 上可以手动部署, 也可以使用 Docker 部署 (这步没有进行尝试

一、前言 在实现安卓项目的时候, 发现识别问题差强人意, 但对于不同图片就出现了总体效果不好的结果. 可以很明显的发现对于很多图片出现了大部分文字无法检测到的问题. 在最开始考虑进行图片增强的操作, 发现对检测效果提升微乎其微. 正好 PaddleOCR 更新了版本并添加了新的检测算法 DB++. 以此为导向来对这个项目进行优化. 二、基于 DB++ 的模型训练 Github 训

一、图像增强代码的 C++ 实现 在博客 一种基于Opencv文档图像增强算法的实现 提到了一种基于 C++ OpenCV 的图像增强算法, 并添加了辅助增强算法使效果更加明显. 1. PC 端实现代码 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051

一、前言 在PaddleOCR项目 ( 地址为 https://github.com/PaddlePaddle/PaddleOCR ) 中的 deploy 文件夹下有个 android_demo 文件夹. android_demo 这个文件夹就是一个单独的项目. 但是在未编译 PaddleOCR 时, 单独编译这个项目就会出现问题. 二、解决方案 如果不编译的话, 是可以直接运行这个项

一、前言 本文实现基于 NCNN 框架所实现的 OCR 模型移植. 将基于一个安卓项目 OcrLiteAndroidNcnn 来省去开发过程而专注于移植过程. 1. 编译环境 12345cmake 3.24.1Python 3.6.9Android NDK r19c 2. 可能需要的工具包 当出现错误时可能需要用以下命令来安装软件 12345sudo apt install bui

一、前言 在使用 PaddleOCR 项目中预设置的安卓程序时, 出现了两个问题. 这里对两个问题进行一些初步分析并给出自己的猜测和之后将会进行的解决方案. 二、英文模型输出文本错误 一个是使用英文模型识别时会出现类似于 xxxxxxxx 这样的符号, 但是其识别率还是能够保证在 80% 左右. 例如对如下图片进行识别 手机端运行效果如下图: Android Studio

一、PaddleOCR 简介 PaddleOCR 是一套丰富、领先、且实用的OCR工具库, 助力开发者训练出更好的模型, 并应用落地. 基于 PaddleOCR 训练出的模型具有良好的文本识别性. 二、移植过程 1. 编译环境准备 我们需要编译用于移动端的 Paddle Lite 以及 C++ demo. C++ 环境 gcc、g++ == 7.5.0 CMake ==