多语言模型

近期更新

2022.5.8 更新PP-OCRv3版多语言检测和识别模型，平均识别准确率提升5%以上。
2021.4.9 支持80种语言的检测和识别
2021.4.9 支持轻量高精度英文模型检测识别

PaddleOCR 旨在打造一套丰富、领先、且实用的OCR工具库，不仅提供了通用场景下的中英文模型，也提供了专门在英文场景下训练的模型，和覆盖80个语言的小语种模型。

其中英文模型支持，大小写字母和常见标点的检测识别，并优化了空格字符的识别：

小语种模型覆盖了拉丁语系、阿拉伯语系、中文繁体、韩语、日语等等：

本文档将简要介绍小语种模型的使用方法。

1 安装
- 1.1 paddle 安装
- 1.2 paddleocr package 安装
2 快速使用
- 2.1 命令行运行
- 2.2 python 脚本运行
3 自定义训练
4 预测部署
4 支持语种及缩写

1 安装

1.1 paddle 安装

# cpu
pip install paddlepaddle

# gpu
pip install paddlepaddle-gpu

1.2 paddleocr package 安装

pip 安装

pip install "paddleocr>=2.0.6" # 推荐使用2.0.6版本

本地构建并安装

python3 setup.py bdist_wheel
pip3 install dist/paddleocr-x.x.x-py3-none-any.whl # x.x.x是paddleocr的版本号

2 快速使用

2.1 命令行运行

查看帮助信息

paddleocr -h

整图预测（检测+识别）

Paddleocr目前支持80个语种，可以通过修改--lang参数进行切换，具体支持的语种可查看表格。


paddleocr --image_dir doc/imgs_en/254.jpg --lang=en

结果是一个list，每个item包含了文本框，文字和识别置信度

[('PHO CAPITAL', 0.95723116), [[66.0, 50.0], [327.0, 44.0], [327.0, 76.0], [67.0, 82.0]]]
[('107 State Street', 0.96311164), [[72.0, 90.0], [451.0, 84.0], [452.0, 116.0], [73.0, 121.0]]]
[('Montpelier Vermont', 0.97389287), [[69.0, 132.0], [501.0, 126.0], [501.0, 158.0], [70.0, 164.0]]]
[('8022256183', 0.99810505), [[71.0, 175.0], [363.0, 170.0], [364.0, 202.0], [72.0, 207.0]]]
[('REG 07-24-201706:59 PM', 0.93537045), [[73.0, 299.0], [653.0, 281.0], [654.0, 318.0], [74.0, 336.0]]]
[('045555', 0.99346405), [[509.0, 331.0], [651.0, 325.0], [652.0, 356.0], [511.0, 362.0]]]
[('CT1', 0.9988654), [[535.0, 367.0], [654.0, 367.0], [654.0, 406.0], [535.0, 406.0]]]
......

识别预测

paddleocr --image_dir doc/imgs_words_en/word_308.png --det false --lang=en

结果是一个tuple，返回识别结果和识别置信度

(0.99879867, 'LITTLE')

检测预测

paddleocr --image_dir PaddleOCR/doc/imgs/11.jpg --rec false

结果是一个list，每个item只包含文本框

[[26.0, 457.0], [137.0, 457.0], [137.0, 477.0], [26.0, 477.0]]
[[25.0, 425.0], [372.0, 425.0], [372.0, 448.0], [25.0, 448.0]]
[[128.0, 397.0], [273.0, 397.0], [273.0, 414.0], [128.0, 414.0]]
......

2.2 python 脚本运行

ppocr 也支持在python脚本中运行，便于嵌入到您自己的代码中：

整图预测（检测+识别）

from paddleocr import PaddleOCR, draw_ocr

# 同样也是通过修改 lang 参数切换语种
ocr = PaddleOCR(lang="korean") # 首次执行会自动下载模型文件
img_path = 'doc/imgs/korean_1.jpg '
result = ocr.ocr(img_path)
# 可通过参数控制单独执行识别、检测
# result = ocr.ocr(img_path, det=False) 只执行识别
# result = ocr.ocr(img_path, rec=False) 只执行检测
# 打印检测框和识别结果
for line in result:
    print(line)

# 可视化
from PIL import Image
image = Image.open(img_path).convert('RGB')
boxes = [line[0] for line in result]
txts = [line[1][0] for line in result]
scores = [line[1][1] for line in result]
im_show = draw_ocr(image, boxes, txts, scores, font_path='/path/to/PaddleOCR/doc/fonts/korean.ttf')
im_show = Image.fromarray(im_show)
im_show.save('result.jpg')

结果可视化:

ppocr 还支持方向分类，更多使用方式请参考：whl包使用说明

3 自定义训练

ppocr 支持使用自己的数据进行自定义训练或finetune, 其中识别模型可以参考法语配置文件修改训练数据路径、字典等参数。

详细数据准备、训练过程可参考：文本识别、文本检测。

假设已经准备好了训练数据，可根据以下步骤快速启动训练：

修改配置文件

以 rec_french_lite_train.yml 为例：

Global:
  ...
  # 添加自定义字典，如修改字典请将路径指向新字典
  character_dict_path: ./ppocr/utils/dict/french_dict.txt
  ...
  # 识别空格
  use_space_char: True

...

Train:
  dataset:
    # 数据集格式，支持LMDBDataSet以及SimpleDataSet
    name: SimpleDataSet
    # 数据集路径
    data_dir: ./train_data/
    # 训练集标签文件
    label_file_list: ["./train_data/french_train.txt"]
    ...

Eval:
  dataset:
    # 数据集格式，支持LMDBDataSet以及SimpleDataSet
    name: SimpleDataSet
    # 数据集路径
    data_dir: ./train_data
    # 验证集标签文件
    label_file_list: ["./train_data/french_val.txt"]
    ...

启动训练：

# 下载预训练模型
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/multilingual/french_mobile_v2.0_rec_train.tar
tar -xf french_mobile_v2.0_rec_train.tar

#加载预训练模型 单卡训练
python3 tools/train.py -c configs/rec/rec_french_lite_train.yml -o Global.pretrained_model=french_mobile_v2.0_rec_train/best_accuracy

#加载预训练模型  多卡训练，通过--gpus参数指定卡号
python3 -m paddle.distributed.launch --gpus '0,1,2,3'  tools/train.py -c configs/rec/rec_french_lite_train.yml -o Global.pretrained_model=french_mobile_v2.0_rec_train/best_accuracy

更多功能如预测部署、数据标注等功能可以阅读完整的文档教程。

4 预测部署

除了安装whl包进行快速预测，ppocr 也提供了多种预测部署方式，如有需求可阅读相关文档：

5 支持语种及缩写

语种	描述	缩写	语种	描述	缩写
中文	chinese and english	ch	保加利亚文	Bulgarian	bg
英文	english	en	乌克兰文	Ukranian	uk
法文	french	fr	白俄罗斯文	Belarusian	be
德文	german	german	泰卢固文	Telugu	te
日文	japan	japan	阿巴扎文	Abaza	abq
韩文	korean	korean	泰米尔文	Tamil	ta
中文繁体	chinese traditional	chinese_cht	南非荷兰文	Afrikaans	af
意大利文	Italian	it	阿塞拜疆文	Azerbaijani	az
西班牙文	Spanish	es	波斯尼亚文	Bosnian	bs
葡萄牙文	Portuguese	pt	捷克文	Czech	cs
俄罗斯文	Russia	ru	威尔士文	Welsh	cy
阿拉伯文	Arabic	ar	丹麦文	Danish	da
印地文	Hindi	hi	爱沙尼亚文	Estonian	et
维吾尔	Uyghur	ug	爱尔兰文	Irish	ga
波斯文	Persian	fa	克罗地亚文	Croatian	hr
乌尔都文	Urdu	ur	匈牙利文	Hungarian	hu
塞尔维亚文（latin)	Serbian(latin)	rs_latin	印尼文	Indonesian	id
欧西坦文	Occitan	oc	冰岛文	Icelandic	is
马拉地文	Marathi	mr	库尔德文	Kurdish	ku
尼泊尔文	Nepali	ne	立陶宛文	Lithuanian	lt
塞尔维亚文（cyrillic)	Serbian(cyrillic)	rs_cyrillic	拉脱维亚文	Latvian	lv
毛利文	Maori	mi	达尔瓦文	Dargwa	dar
马来文	Malay	ms	因古什文	Ingush	inh
马耳他文	Maltese	mt	拉克文	Lak	lbe
荷兰文	Dutch	nl	莱兹甘文	Lezghian	lez
挪威文	Norwegian	no	塔巴萨兰文	Tabassaran	tab
波兰文	Polish	pl	比尔哈文	Bihari	bh
罗马尼亚文	Romanian	ro	迈蒂利文	Maithili	mai
斯洛伐克文	Slovak	sk	昂加文	Angika	ang
斯洛文尼亚文	Slovenian	sl	孟加拉文	Bhojpuri	bho
阿尔巴尼亚文	Albanian	sq	摩揭陀文	Magahi	mah
瑞典文	Swedish	sv	那格浦尔文	Nagpur	sck
西瓦希里文	Swahili	sw	尼瓦尔文	Newari	new
塔加洛文	Tagalog	tl	保加利亚文	Goan Konkani	gom
土耳其文	Turkish	tr	沙特阿拉伯文	Saudi Arabia	sa
乌兹别克文	Uzbek	uz	阿瓦尔文	Avar	ava
越南文	Vietnamese	vi	阿瓦尔文	Avar	ava
蒙古文	Mongolian	mn	阿迪赫文	Adyghe	ady

multi_languages.md 9.8 KB 히스토리 Raw