| --- |
| comments: true |
| hide: |
| - toc |
| --- |
| |
| # 服务器端C++预测 |
|
|
| 本章节介绍PaddleOCR 模型的C++部署方法。C++在性能计算上优于Python，因此，在大多数CPU、GPU部署场景，多采用C++的部署方式，本节将介绍如何在Linux\Windows (CPU\GPU)环境下配置C++环境并完成PaddleOCR模型部署。 |
|
|
| ## 1. 准备环境 |
|
|
| ### 1.1 运行准备 |
|
|
| - Linux环境，推荐使用docker。 |
| - Windows环境。 |
|
|
| - 该文档主要介绍基于Linux环境的PaddleOCR C++预测流程，如果需要在Windows下基于预测库进行C++预测，具体编译方法请参考[Windows下编译教程](./windows_vs2019_build.md) |
|
|
| ### 1.2 编译opencv库 |
|
|
| - 首先需要从opencv官网上下载在Linux环境下源码编译的包，以opencv3.4.7为例，下载命令如下： |
|
|
| ```bash linenums="1" |
| cd deploy/cpp_infer |
| wget https://paddleocr.bj.bcebos.com/libs/opencv/opencv-3.4.7.tar.gz |
| tar -xf opencv-3.4.7.tar.gz |
| ``` |
|
|
| 最终可以在当前目录下看到`opencv-3.4.7/`的文件夹。 |
|
|
| - 编译opencv，设置opencv源码路径(`root_path`)以及安装路径(`install_path`)。进入opencv源码路径下，按照下面的方式进行编译。 |
|
|
| ```bash linenums="1" |
| root_path="your_opencv_root_path" |
| install_path=${root_path}/opencv3 |
| build_dir=${root_path}/build |
| |
| rm -rf ${build_dir} |
| mkdir ${build_dir} |
| cd ${build_dir} |
| |
| cmake .. \ |
| -DCMAKE_INSTALL_PREFIX=${install_path} \ |
| -DCMAKE_BUILD_TYPE=Release \ |
| -DBUILD_SHARED_LIBS=OFF \ |
| -DWITH_IPP=OFF \ |
| -DBUILD_IPP_IW=OFF \ |
| -DWITH_LAPACK=OFF \ |
| -DWITH_EIGEN=OFF \ |
| -DCMAKE_INSTALL_LIBDIR=lib64 \ |
| -DWITH_ZLIB=ON \ |
| -DBUILD_ZLIB=ON \ |
| -DWITH_JPEG=ON \ |
| -DBUILD_JPEG=ON \ |
| -DWITH_PNG=ON \ |
| -DBUILD_PNG=ON \ |
| -DWITH_TIFF=ON \ |
| -DBUILD_TIFF=ON |
| |
| make -j |
| make install |
| ``` |
|
|
| 也可以直接修改`tools/build_opencv.sh`的内容，然后直接运行下面的命令进行编译。 |
|
|
| ```bash linenums="1" |
| sh tools/build_opencv.sh |
| ``` |
|
|
| 其中`root_path`为下载的opencv源码路径，`install_path`为opencv的安装路径，`make install`完成之后，会在该文件夹下生成opencv头文件和库文件，用于后面的OCR代码编译。 |
|
|
| 最终在安装路径下的文件结构如下所示。 |
|
|
| ``` |
| opencv3/ |
| |-- bin |
| |-- include |
| |-- lib |
| |-- lib64 |
| |-- share |
| ``` |
|
|
| ### 1.3 下载或者编译Paddle预测库 |
|
|
| 可以选择直接下载安装或者从源码编译，下文分别进行具体说明。 |
|
|
| #### 1.3.1 直接下载安装 |
|
|
| [Paddle预测库官网](https://www.paddlepaddle.org.cn/inference/master/guides/install/download_lib.html#linux) 上提供了不同cuda版本的Linux预测库，可以在官网查看并选择合适的预测库版本（*建议选择paddle版本>=2.0.1版本的预测库* ）。 |
|
|
| 下载之后解压: |
|
|
| ```bash linenums="1" |
| tar -xf paddle_inference.tgz |
| ``` |
|
|
| 最终会在当前的文件夹中生成`paddle_inference/`的子文件夹。 |
|
|
| #### 1.3.2 预测库源码编译 |
|
|
| 如果希望获取最新预测库特性，可以从github上克隆最新Paddle代码进行编译，生成最新的预测库。 |
|
|
| 使用git获取代码: |
|
|
| ```bash linenums="1" |
| git clone https://github.com/PaddlePaddle/Paddle.git |
| git checkout develop |
| ``` |
|
|
| 进入Paddle目录，进行编译: |
|
|
| ```bash linenums="1" |
| rm -rf build |
| mkdir build |
| cd build |
| |
| cmake .. \ |
| -DWITH_CONTRIB=OFF \ |
| -DWITH_MKL=ON \ |
| -DWITH_MKLDNN=ON \ |
| -DWITH_TESTING=OFF \ |
| -DCMAKE_BUILD_TYPE=Release \ |
| -DWITH_INFERENCE_API_TEST=OFF \ |
| -DON_INFER=ON \ |
| -DWITH_PYTHON=ON |
| make -j |
| make inference_lib_dist |
| ``` |
|
|
| 更多编译参数选项介绍可以参考[Paddle预测库编译文档](https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0/guides/05_inference_deployment/inference/build_and_install_lib_cn.html#congyuanmabianyi)。 |
|
|
| 编译完成之后，可以在`build/paddle_inference_install_dir/`文件下看到生成了以下文件及文件夹。 |
|
|
| ``` |
| build/paddle_inference_install_dir/ |
| |-- CMakeCache.txt |
| |-- paddle |
| |-- third_party |
| |-- version.txt |
| ``` |
|
|
| 其中`paddle`就是C++预测所需的Paddle库，`version.txt`中包含当前预测库的版本信息。 |
|
|
| ## 2. 开始运行 |
|
|
| ### 2.1 准备模型 |
|
|
| 直接下载PaddleOCR提供的推理模型，或者参考[模型预测章节](./python_infer.md)，将训练好的模型导出为推理模型。模型导出之后，假设放在`inference`目录下，则目录结构如下： |
|
|
| ```text linenums="1" |
| inference/ |
| |-- det_db |
| | |--inference.pdiparams |
| | |--inference.pdmodel |
| |-- rec_rcnn |
| | |--inference.pdiparams |
| | |--inference.pdmodel |
| |-- cls |
| | |--inference.pdiparams |
| | |--inference.pdmodel |
| |-- table |
| | |--inference.pdiparams |
| | |--inference.pdmodel |
| |-- layout |
| | |--inference.pdiparams |
| | |--inference.pdmodel |
| ``` |
|
|
| ### 2.2 编译PaddleOCR C++预测demo |
|
|
| 编译命令如下，其中Paddle C++预测库、opencv等其他依赖库的地址需要换成自己机器上的实际地址。 |
|
|
| ```bash linenums="1" |
| sh tools/build.sh |
| ``` |
|
|
| 具体的，需要修改`tools/build.sh`中环境路径，相关内容如下： |
|
|
| ```bash linenums="1" |
| OPENCV_DIR=your_opencv_dir |
| LIB_DIR=your_paddle_inference_dir |
| CUDA_LIB_DIR=your_cuda_lib_dir |
| CUDNN_LIB_DIR=/your_cudnn_lib_dir |
| ``` |
|
|
| 其中，`OPENCV_DIR`为opencv编译安装的地址；`LIB_DIR`为下载(`paddle_inference`文件夹)或者编译生成的Paddle预测库地址(`build/paddle_inference_install_dir`文件夹)；`CUDA_LIB_DIR`为cuda库文件地址，在docker中为`/usr/local/cuda/lib64`；`CUDNN_LIB_DIR`为cudnn库文件地址，在docker中为`/usr/lib/x86_64-linux-gnu/`。**注意：以上路径都写绝对路径，不要写相对路径。** |
|
|
| 编译完成之后，会在`build`文件夹下生成一个名为`ppocr`的可执行文件。 |
|
|
| ### 2.3 运行demo |
|
|
| 本demo支持系统串联调用，也支持单个功能的调用，如，只使用检测或识别功能。 |
|
|
| **注意** ppocr默认使用`PP-OCRv3`模型，识别模型使用的输入shape为`3,48,320`, 如需使用旧版本的PP-OCR模型，则需要设置参数`--rec_img_h=32`。 |
|
|
| 运行方式： |
|
|
| ```bash linenums="1" |
| ./build/ppocr [--param1] [--param2] [...] |
| ``` |
|
|
| 具体命令如下： |
|
|
| ##### 1. 检测+分类+识别 |
|
|
| ```bash linenums="1" |
| ./build/ppocr --det_model_dir=inference/det_db \ |
| --rec_model_dir=inference/rec_rcnn \ |
| --cls_model_dir=inference/cls \ |
| --image_dir=../../doc/imgs/12.jpg \ |
| --use_angle_cls=true \ |
| --det=true \ |
| --rec=true \ |
| --cls=true \ |
| ``` |
|
|
| ##### 2. 检测+识别 |
|
|
| ```bash linenums="1" |
| ./build/ppocr --det_model_dir=inference/det_db \ |
| --rec_model_dir=inference/rec_rcnn \ |
| --image_dir=../../doc/imgs/12.jpg \ |
| --use_angle_cls=false \ |
| --det=true \ |
| --rec=true \ |
| --cls=false \ |
| ``` |
|
|
| ##### 3. 检测 |
|
|
| ```bash linenums="1" |
| ./build/ppocr --det_model_dir=inference/det_db \ |
| --image_dir=../../doc/imgs/12.jpg \ |
| --det=true \ |
| --rec=false |
| ``` |
|
|
| ##### 4. 分类+识别 |
|
|
| ```bash linenums="1" |
| ./build/ppocr --rec_model_dir=inference/rec_rcnn \ |
| --cls_model_dir=inference/cls \ |
| --image_dir=../../doc/imgs_words/ch/word_1.jpg \ |
| --use_angle_cls=true \ |
| --det=false \ |
| --rec=true \ |
| --cls=true \ |
| ``` |
|
|
| ##### 5. 识别 |
|
|
| ```bash linenums="1" |
| ./build/ppocr --rec_model_dir=inference/rec_rcnn \ |
| --image_dir=../../doc/imgs_words/ch/word_1.jpg \ |
| --use_angle_cls=false \ |
| --det=false \ |
| --rec=true \ |
| --cls=false \ |
| ``` |
|
|
| ##### 6. 分类 |
|
|
| ```bash linenums="1" |
| ./build/ppocr --cls_model_dir=inference/cls \ |
| --cls_model_dir=inference/cls \ |
| --image_dir=../../doc/imgs_words/ch/word_1.jpg \ |
| --use_angle_cls=true \ |
| --det=false \ |
| --rec=false \ |
| --cls=true \ |
| ``` |
|
|
| ##### 7. 版面分析+表格识别 |
|
|
| ```bash linenums="1" |
| ./build/ppocr --det_model_dir=inference/det_db \ |
| --rec_model_dir=inference/rec_rcnn \ |
| --table_model_dir=inference/table \ |
| --image_dir=../../ppstructure/docs/table/table.jpg \ |
| --layout_model_dir=inference/layout \ |
| --type=structure \ |
| --table=true \ |
| --layout=true |
| ``` |
|
|
| ##### 8. 版面分析 |
|
|
| ```bash linenums="1" |
| ./build/ppocr --layout_model_dir=inference/layout \ |
| --image_dir=../../ppstructure/docs/table/1.png \ |
| --type=structure \ |
| --table=false \ |
| --layout=true \ |
| --det=false \ |
| --rec=false |
| ``` |
|
|
| ##### 9. 表格识别 |
|
|
| ```bash linenums="1" |
| ./build/ppocr --det_model_dir=inference/det_db \ |
| --rec_model_dir=inference/rec_rcnn \ |
| --table_model_dir=inference/table \ |
| --image_dir=../../ppstructure/docs/table/table.jpg \ |
| --type=structure \ |
| --table=true |
| ``` |
|
|
| 更多支持的可调节参数解释如下： |
|
|
| 通用参数 |
|
|
| | 参数名称 | 类型 | 默认参数 | 意义 | |
| | :--------------------------: | :---: | :------: | :---------------------------------------------------------------: | |
| | use_gpu | bool | false | 是否使用GPU | |
| | gpu_id | int | 0 | GPU id，使用GPU时有效 | |
| | gpu_mem | int | 4000 | 申请的GPU内存 | |
| | cpu_math_library_num_threads | int | 10 | CPU预测时的线程数，在机器核数充足的情况下，该值越大，预测速度越快 | |
| | enable_mkldnn | bool | true | 是否使用mkldnn库 | |
| | output | str | ./output | 可视化结果保存的路径 | |
|
|
| 前向相关 |
|
|
| | 参数名称 | 类型 | 默认参数 | 意义 | |
| | :------: | :---: | :------: | :----------------------: | |
| | det | bool | true | 前向是否执行文字检测 | |
| | rec | bool | true | 前向是否执行文字识别 | |
| | cls | bool | false | 前向是否执行文字方向分类 | |
|
|
| 检测模型相关 |
|
|
| | 参数名称 | 类型 | 默认参数 | 意义 | |
| | :-----------------: | :----: | :------: | :----------------------------------------------------------------------------------------------------------: | |
| | det_model_dir | string | - | 检测模型inference model地址 | |
| | max_side_len | int | 960 | 输入图像长宽大于960时，等比例缩放图像，使得图像最长边为960 | |
| | det_db_thresh | float | 0.3 | 用于过滤DB预测的二值化图像，设置为0.-0.3对结果影响不明显 | |
| | det_db_box_thresh | float | 0.5 | DB后处理过滤box的阈值，如果检测存在漏框情况，可酌情减小 | |
| | det_db_unclip_ratio | float | 1.6 | 表示文本框的紧致程度，越小则文本框更靠近文本 | |
| | det_db_score_mode | string | slow | slow:使用多边形框计算bbox score，fast:使用矩形框计算。矩形框计算速度更快，多边形框对弯曲文本区域计算更准确。 | |
| | visualize | bool | true | 是否对结果进行可视化，为1时，预测结果会保存在`output`字段指定的文件夹下和输入图像同名的图像上。 | |
| |
| 方向分类器相关 |
| |
| | 参数名称 | 类型 | 默认参数 | 意义 | |
| | :-----------: | :----: | :------: | :---------------------------: | |
| | use_angle_cls | bool | false | 是否使用方向分类器 | |
| | cls_model_dir | string | - | 方向分类器inference model地址 | |
| | cls_thresh | float | 0.9 | 方向分类器的得分阈值 | |
| | cls_batch_num | int | 1 | 方向分类器batchsize | |
|
|
| 文字识别模型相关 |
|
|
| | 参数名称 | 类型 | 默认参数 | 意义 | |
| | :----------------: | :----: | :---------------------------------: | :-----------------------------: | |
| | rec_model_dir | string | - | 文字识别模型inference model地址 | |
| | rec_char_dict_path | string | ../../ppocr/utils/ppocr_keys_v1.txt | 字典文件 | |
| | rec_batch_num | int | 6 | 文字识别模型batchsize | |
| | rec_img_h | int | 48 | 文字识别模型输入图像高度 | |
| | rec_img_w | int | 320 | 文字识别模型输入图像宽度 | |
| |
| 版面分析模型相关 |
| |
| | 参数名称 | 类型 | 默认参数 | 意义 | |
| | :--------------------: | :----: | :----------------------------------------------------------: | :-----------------------------: | |
| | layout_model_dir | string | - | 版面分析模型inference model地址 | |
| | layout_dict_path | string | ../../ppocr/utils/dict/layout_dict/layout_publaynet_dict.txt | 字典文件 | |
| | layout_score_threshold | float | 0.5 | 检测框的分数阈值 | |
| | layout_nms_threshold | float | 0.5 | nms的阈值 | |
|
|
| 表格识别模型相关 |
|
|
| | 参数名称 | 类型 | 默认参数 | 意义 | |
| | :---------------------: | :----: | :------------------------------------------------: | :----------------------------------------------------------------------------------: | |
| | table_model_dir | string | - | 表格识别模型inference model地址 | |
| | table_char_dict_path | string | ../../ppocr/utils/dict/table_structure_dict_ch.txt | 字典文件 | |
| | table_max_len | int | 488 | 表格识别模型输入图像长边大小，最终网络输入图像大小为（table_max_len，table_max_len） | |
| | merge_no_span_structure | bool | true | 是否合并<td> 和 </td> 为<td></td> | |
| |
| - PaddleOCR也支持多语言的预测，更多支持的语言和模型可以参考[识别文档](../ppocr/model_train/recognition.md)中的多语言字典与模型部分，如果希望进行多语言预测，只需将修改`rec_char_dict_path`（字典文件路径）以及`rec_model_dir`（inference模型路径）字段即可。 |
|
|
| 最终屏幕上会输出检测结果如下： |
|
|
| - ocr |
|
|
| ```bash linenums="1" |
| predict img: ../../doc/imgs/12.jpg |
| ../../doc/imgs/12.jpg |
| 0 det boxes: [[74,553],[427,542],[428,571],[75,582]] rec text: 打浦路252935号 rec score: 0.947724 |
| 1 det boxes: [[23,507],[513,488],[515,529],[24,548]] rec text: 绿洲仕格维花园公寓 rec score: 0.993728 |
| 2 det boxes: [[187,456],[399,448],[400,480],[188,488]] rec text: 打浦路15号 rec score: 0.964994 |
| 3 det boxes: [[42,413],[483,391],[484,428],[43,450]] rec text: 上海斯格威铂尔大酒店 rec score: 0.980086 |
| The detection visualized image saved in ./output//12.jpg |
| ``` |
|
|
| - layout+table |
|
|
| ```bash linenums="1" |
| predict img: ../../ppstructure/docs/table/1.png |
| 0 type: text, region: [12,729,410,848], score: 0.781044, res: count of ocr result is : 7 |
| ********** print ocr result ********** |
| 0 det boxes: [[4,1],[79,1],[79,12],[4,12]] rec text: CTW1500. rec score: 0.769472 |
| ... |
| 6 det boxes: [[4,99],[391,99],[391,112],[4,112]] rec text: sate-of-the-artmethods[12.34.36l.ourapproachachieves rec score: 0.90414 |
| ********** end print ocr result ********** |
| 1 type: text, region: [69,342,342,359], score: 0.703666, res: count of ocr result is : 1 |
| ********** print ocr result ********** |
| 0 det boxes: [[8,2],[269,2],[269,13],[8,13]] rec text: Table6.Experimentalresults on CTW-1500 rec score: 0.890454 |
| ********** end print ocr result ********** |
| 2 type: text, region: [70,316,706,332], score: 0.659738, res: count of ocr result is : 2 |
| ********** print ocr result ********** |
| 0 det boxes: [[373,2],[630,2],[630,11],[373,11]] rec text: oroposals.andthegreencontoursarefinal rec score: 0.919729 |
| 1 det boxes: [[8,3],[357,3],[357,11],[8,11]] rec text: Visualexperimentalresultshebluecontoursareboundar rec score: 0.915963 |
| ********** end print ocr result ********** |
| 3 type: text, region: [489,342,789,359], score: 0.630538, res: count of ocr result is : 1 |
| ********** print ocr result ********** |
| 0 det boxes: [[8,2],[294,2],[294,14],[8,14]] rec text: Table7.Experimentalresults onMSRA-TD500 rec score: 0.942251 |
| ********** end print ocr result ********** |
| 4 type: text, region: [444,751,841,848], score: 0.607345, res: count of ocr result is : 5 |
| ********** print ocr result ********** |
| 0 det boxes: [[19,3],[389,3],[389,17],[19,17]] rec text: Inthispaper,weproposeanovel adaptivebound rec score: 0.941031 |
| 1 det boxes: [[4,22],[390,22],[390,36],[4,36]] rec text: aryproposalnetworkforarbitraryshapetextdetection rec score: 0.960172 |
| 2 det boxes: [[4,42],[392,42],[392,56],[4,56]] rec text: whichadoptanboundaryproposalmodeltogeneratecoarse rec score: 0.934647 |
| 3 det boxes: [[4,61],[389,61],[389,75],[4,75]] rec text: ooundaryproposals,andthenadoptanadaptiveboundary rec score: 0.946296 |
| 4 det boxes: [[5,80],[387,80],[387,93],[5,93]] rec text: leformationmodelcombinedwithGCNandRNNtoper rec score: 0.952401 |
| ********** end print ocr result ********** |
| 5 type: title, region: [444,705,564,724], score: 0.785429, res: count of ocr result is : 1 |
| ********** print ocr result ********** |
| 0 det boxes: [[6,2],[113,2],[113,14],[6,14]] rec text: 5.Conclusion rec score: 0.856903 |
| ********** end print ocr result ********** |
| 6 type: table, region: [14,360,402,711], score: 0.963643, res: <html><body><table><thead><tr><td>Methods</td><td>Ext</td><td>R</td><td>P</td><td>F</td><td>FPS</td></tr></thead><tbody><tr><td>TextSnake [18]</td><td>Syn</td><td>85.3</td><td>67.9</td><td>75.6</td><td></td></tr><tr><td>CSE [17]</td><td>MiLT</td><td>76.1</td><td>78.7</td><td>77.4</td><td>0.38</td></tr><tr><td>LOMO[40]</td><td>Syn</td><td>76.5</td><td>85.7</td><td>80.8</td><td>4.4</td></tr><tr><td>ATRR[35]</td><td>Sy-</td><td>80.2</td><td>80.1</td><td>80.1</td><td>-</td></tr><tr><td>SegLink++ [28]</td><td>Syn</td><td>79.8</td><td>82.8</td><td>81.3</td><td>-</td></tr><tr><td>TextField [37]</td><td>Syn</td><td>79.8</td><td>83.0</td><td>81.4</td><td>6.0</td></tr><tr><td>MSR[38]</td><td>Syn</td><td>79.0</td><td>84.1</td><td>81.5</td><td>4.3</td></tr><tr><td>PSENet-1s [33]</td><td>MLT</td><td>79.7</td><td>84.8</td><td>82.2</td><td>3.9</td></tr><tr><td>DB [12]</td><td>Syn</td><td>80.2</td><td>86.9</td><td>83.4</td><td>22.0</td></tr><tr><td>CRAFT [2]</td><td>Syn</td><td>81.1</td><td>86.0</td><td>83.5</td><td>-</td></tr><tr><td>TextDragon [5]</td><td>MLT+</td><td>82.8</td><td>84.5</td><td>83.6</td><td></td></tr><tr><td>PAN [34]</td><td>Syn</td><td>81.2</td><td>86.4</td><td>83.7</td><td>39.8</td></tr><tr><td>ContourNet [36]</td><td></td><td>84.1</td><td>83.7</td><td>83.9</td><td>4.5</td></tr><tr><td>DRRG [41]</td><td>MLT</td><td>83.02</td><td>85.93</td><td>84.45</td><td>-</td></tr><tr><td>TextPerception[23]</td><td>Syn</td><td>81.9</td><td>87.5</td><td>84.6</td><td></td></tr><tr><td>Ours</td><td> Syn</td><td>80.57</td><td>87.66</td><td>83.97</td><td>12.08</td></tr><tr><td>Ours</td><td></td><td>81.45</td><td>87.81</td><td>84.51</td><td>12.15</td></tr><tr><td>Ours</td><td>MLT</td><td>83.60</td><td>86.45</td><td>85.00</td><td>12.21</td></tr></tbody></table></body></html> |
| The table visualized image saved in ./output//6_1.png |
| 7 type: table, region: [462,359,820,657], score: 0.953917, res: <html><body><table><thead><tr><td>Methods</td><td>R</td><td>P</td><td>F</td><td>FPS</td></tr></thead><tbody><tr><td>SegLink [26]</td><td>70.0</td><td>86.0</td><td>77.0</td><td>8.9</td></tr><tr><td>PixelLink [4]</td><td>73.2</td><td>83.0</td><td>77.8</td><td>-</td></tr><tr><td>TextSnake [18]</td><td>73.9</td><td>83.2</td><td>78.3</td><td>1.1</td></tr><tr><td>TextField [37]</td><td>75.9</td><td>87.4</td><td>81.3</td><td>5.2 </td></tr><tr><td>MSR[38]</td><td>76.7</td><td>87.4</td><td>81.7</td><td>-</td></tr><tr><td>FTSN[3]</td><td>77.1</td><td>87.6</td><td>82.0</td><td>:</td></tr><tr><td>LSE[30]</td><td>81.7</td><td>84.2</td><td>82.9</td><td></td></tr><tr><td>CRAFT [2]</td><td>78.2</td><td>88.2</td><td>82.9</td><td>8.6</td></tr><tr><td>MCN [16]</td><td>79</td><td>88</td><td>83</td><td>-</td></tr><tr><td>ATRR[35]</td><td>82.1</td><td>85.2</td><td>83.6</td><td>-</td></tr><tr><td>PAN [34]</td><td>83.8</td><td>84.4</td><td>84.1</td><td>30.2</td></tr><tr><td>DB[12]</td><td>79.2</td><td>91.5</td><td>84.9</td><td>32.0</td></tr><tr><td>DRRG [41]</td><td>82.30</td><td>88.05</td><td>85.08</td><td>-</td></tr><tr><td>Ours (SynText)</td><td>80.68</td><td>85.40</td><td>82.97</td><td>12.68</td></tr><tr><td>Ours (MLT-17)</td><td>84.54</td><td>86.62</td><td>85.57</td><td>12.31</td></tr></tbody></table></body></html> |
| The table visualized image saved in ./output//7_1.png |
| 8 type: figure, region: [14,3,836,310], score: 0.969443, res: count of ocr result is : 26 |
| ********** print ocr result ********** |
| 0 det boxes: [[506,14],[539,15],[539,22],[506,21]] rec text: E rec score: 0.318073 |
| ... |
| 25 det boxes: [[680,290],[759,288],[759,303],[680,305]] rec text: (d) CTW1500 rec score: 0.95911 |
| ********** end print ocr result ********** |
| ``` |
|
|
| ## 3. FAQ |
|
|
| 1. 遇到报错 `unable to access 'https://github.com/LDOUBLEV/AutoLog.git/': gnutls_handshake() failed: The TLS connection was non-properly terminated.`， 将 `deploy/cpp_infer/external-cmake/auto-log.cmake` 中的github地址改为 <https://gitee.com/Double_V/AutoLog> 地址即可。 |
|
|
