March_A的博客

这里我下载的是Polygon3‑3.0.8‑cp36‑cp36m‑win_amd64.whl 其中C:\Users\lx\Downloads\Polygon3-3.0.8-cp36-cp36m-win_amd64.whl表示我的浏览器该文件的下载路径，(py3.6.8)表示我创建的环境名字。里面有很多python依赖包的whl文件，找到Polygon包，根据你环境的python版本和电脑位数选择要安装版本，例如。在对应网址下首先打开网址。

安装 lanms 最佳参考：防丢失，直接抄录的一份paddleocr最后几个库一个比一个难装，特别是 lanms 库，巨难装，拒绝任何花里胡哨，十分钟，三步内解决问题。

然后将编码后的字符串作为HTTP请求的参数发送给PaddleServing。PaddleServing将接收到的图片解码后送入PaddleOCR中的检测和识别模型进行OCR识别，最后。将 PaddleOCR 检测模型的参数文件和模型文件转换为 PaddleServing。使用的格式并保存在指定的目录中，然后可以使用指定的配置文件部署以进行推理服务。指定用于运行检测模型服务的 PaddleServing 配置的目录。PaddleServing的HTTP API进行图片的传输和识别。在这个过程中，使用了。

其中 Global.pretrained_model 指定了预训练模型的路径，"./pretrained_models/ch_PP-OCRv3_det_distill_train/student" 则。通过训练模型，可以得到一个可以用于文字检测的模型。指定了预训练模型的路径，"./pretrained_models/ch_PP-OCRv3_det_distill_train/best_accuracy" 则表示。在训练过程中，模型会不断地根据训练数据调整自己的参数，以提高在验证数据上的准确率。

PaddleOCR快速使用数据合成方法数据挖掘方法基于现有数据微调为实现智能读数，通常会采取文本检测+文本识别的方案：第一步，使用文本检测模型定位出光功率计中的数字部分；第二步，使用文本识别模型获得准确的数字和单位信息。针对以上问题， 本例选用 PP-OCRv3 和 SVTR_Tiny 两个高精度模型训练，同时提供了真实数据挖掘案例和数据合成案例。基于 PP-OCRv3 模型，在构建的真实评估集上精度从 52% 提升至 72%，SVTR_Tiny 模型精度可达到 78.9%。

本项目基于PaddleOCR开源套件，以PP-OCRv3检测和识别模型为基础，针对液晶屏读数识别场景进行优化。PP-OCRv3检测模型是对PP-OCRv2中的CML（Collaborative Mutual Learning) 协同互学习文本检测蒸馏策略进行了升级。如下图所示，CML的核心思想结合了①传统的Teacher指导Student的标准蒸馏与 ②Students网络之间的DML互学习，可以让Students网络互学习的同时，Teacher网络予以指导。

详细代码实现： 可以使用python中的pillow和opencv库去实现图像的读取和处理。需要把图片转化为像素点的矩阵，然后分析颜色值。可以使用聚类算法去把像素点分成几个颜色簇，然后分析它们的颜色值相似度，决定哪些簇应该被合并。在合并像素点之后，再把它们转化为图片，输出结果。1 代码实现ps魔棒工具，取图片中颜色数值相近的区域。

要点：

问题分析要处理电表中的数据，可以分为步骤，拆解为以下问题：感兴趣区域定位问题OCR读数问题针对问题1,经过实验与探索，也找到两种方案：方案1，直接利用PaddleOCR默认自带的检测器，筛选掉其他无效的框体和信息，剩下的就是有用的。(未经过训练的，直接使用预训练模型)方案2，通过Opencv图像处理的方法，根据电表字符区域特征进行相应的轮廓提取和颜色筛选，从而保证其得到有效的定位。方案3，收集场景下的大量电表字符识别数据，制作数据集并进行标记，分别训练其定位和识别模型。

需要两个模型作为输入：一个教师模型和一个学生模型。教师模型通常比学生模型要大，更复杂。在训练过程中，我们将输入数据传递给教师模型和学生模型，然后使用教师模型的输出作为目标标签，使用交叉熵损失函数来计算学生模型的损失。这样，学生模型就会尽可能地学习教师模型的知识。它可以帮助我们在训练一个大模型时，将其知识传递给一个小模型，从而使小模型具有大模型相近的性能。使用其他损失函数来指导知识蒸馏，例如MSE（均方误差）损失函数和KLD（KL散度）损失。PaddlePaddle框架中用于知识蒸馏的模型。

【代码】在读取视频流的同时保存视频流。

本章主要介绍PP-OCRv2系统的高性能推理方法、服务化部署方法以及端侧部署方法。根据不同的场景挑选合适的预测部署方法PP-OCRv2系列模型在不同场景下的推理方法Paddle Inference、Paddle Serving、Paddle Lite的推理部署开发方法在前面几个章节中，我们通过模型训练的方法，得到了训练好的模型，在使用它去预测的时候，我们首先需要定义好模型，然后加载训练好的模型，再将预处理之后的数据送进网络中进行预测、后处理，得到最终的结果。

前两章主要介绍了DBNet文字检测算法以及CRNN文字识别算法。然而对于我们实际场景中的一张图像，想要单独基于文字检测或者识别模型，是无法同时获取文字位置与文字内容的，因此，我们将文字检测算法以及文字识别算法进行串联，构建了PP-OCR文字检测与识别系统。在实际使用过程中，检测出的文字方向可能不是我们期望的方向，最终导致文字识别错误，因此我们在PP-OCR系统中也引入了方向分类器。本章主要介绍PP-OCR文字检测与识别系统以及该系统中涉及到的优化策略。PaddleOCR策略调优技巧。

文本识别是OCR（Optical Character Recognition）的一个子任务，其任务为识别一个固定区域的文本内容。在OCR的两阶段方法里，它接在文本检测后面，将图像信息转换为文字信息。具体地，模型输入一张定位好的文本行，由模型预测出图片中的文字内容和置信度，可视化结果规则文本识别和不规则文本识别。规则文本识别：主要指印刷字体、扫描文本等，认为文本大致处在水平线位置。

由于训练阶段获取了3个预测图，所以在损失函数中，也需要结合这3个预测图与它们对应的真实标签分别构建3部分损失函数。# DB损失函数# 详细代码实现参考：https://github.com/PaddlePaddle/PaddleOCR/blob/release%2F2.4/ppocr/losses/det_db_loss.py"""args:"""alpha=5,beta=10,eps=1e-6,**kwargs):# 声明不同的损失函数1:]

要点 ： paddleocr GitHub地址 本课程依托PaddleOCR的代码库形成，首先，克隆PaddleOCR的完整项目：然后安装第三方库：2 OCR技术背景 OCR是什么OCR（Optical Character Recognition，光学字符识别）是计算机视觉重要方向之一。传统定义的OCR一般面向扫描文档类对象，现在我们常说的OCR一般指场景文字识别（Scene Text Recognition，STR），主要面向自然场景，如下图中所示的牌匾等各种自然场景可见的文字。虽然OC

【代码】远程获取视频流。

常见的开发任务中，我们并不一定会拿到标准的数据格式，好在我们可以通过自定义Reader的形式来随心所欲读取自己想要数据。设计合理的Reader往往可以带来更好的性能，我们可以将读取标签文件列表、制作图像文件列表等必要操作在__init__特殊方法中实现。这样就可以在实例化Reader时装入内存，避免使用时频繁读取导致增加额外开销。同样我们可以在特殊方法中实现如图像增强、归一化等个性操作，完成数据读取后即可释放该部分内存。需要我们注意的是，如果不能保证自己数据十分纯净，可以通过try和expect。

首先提个问题，请问十行Python代码能干什么？有人说可以做个小日历、做个应答机器人等等，但是我要告诉你用十行代码可以成功训练出深度学习模型，你相信吗？放心！这个真的可以有，飞桨的PaddleHub可以帮您轻松实现。PaddleHub是飞桨生态下的预训练模型的管理工具，旨在让飞桨生态下的开发者更便捷地享受到大规模预训练模型的价值。用户可以通过PaddleHub便捷地获取飞桨生态下的预训练模型，结合Fine-tune API快速完成迁移学习到应用部署的全流程工作，让预训练模型能更好服务于用户特定场景的应用。

paddle.jit.save需要适配飞桨沿用已久的推理模型与参数格式，做到前向完全兼容，因此其保存格式与paddle.save有所区别，具体包括三种文件：保存模型结构的*.pdmodel文件；在模型构建和训练中，飞桨更希望借用动态图的易用性优势，实际上，在加上@to_static装饰器运行的时候，飞桨内部是在静态图模式下执行OP的，但是展示给开发者的依然是动态图的使用方式。下面是模型的训练代码，由于飞桨实现动转静的功能是在内部完成的，对使用者来说，动态图的训练代码和动转静模型的训练代码是完全一致的。

从前几节的训练看，无论是房价预测任务还是MNIST手写字数字识别任务，训练好一个模型不会超过10分钟，主要原因是我们所使用的神经网络比较简单。但实际应用时，常会遇到更加复杂的机器学习或深度学习任务，需要运算速度更高的硬件（如GPU、NPU），甚至同时使用多个机器共同训练一个任务（多卡训练和多机训练）。本节我们依旧横向展开"横纵式"教学方法，如图1所示，探讨在手写数字识别任务中，通过资源配置的优化，提升模型训练效率的方法。

假设第一层的变换是z1=x1−x2z_1=x_1-x_2z1​=x1​−x2​和z2=x3+x4z_2=x_3+x_4z2​=x3​+x4​，第二层的变换是y=z1+z2y=z_1+z_2y=z1​+z2​，则将两层的变换展开后得到y=x1−x2+x3+x4y=x_1-x_2+x_3+x_4y=x1​−x2​+x3​+x4​。在训练前，我们往往不清楚一个特定问题设置成怎样的学习率是合理的，因此在训练时可以尝试调小或调大，通过观察Loss下降的情况判断合理的学习率，设置学习率的代码如下所示。

上一节我们使用“横纵式”教学法中的纵向极简方案快速完成手写数字识别任务的建模，但模型测试效果并未达成预期。我们换个思路，从横向展开，如图1所示，逐个环节优化，以达到最优训练效果。本节主要介绍手写数字识别模型中，数据处理的优化方法。上一节，我们通过调用飞桨提供的API加载MNIST数据集。读入数据划分数据集生成批次数据训练样本集乱序校验数据有效性。

飞桨框架2.0及之后的版本，默认使用动态图模式进行编码，同时提供了完备的动转静支持，开发者仅需添加一个装饰器（ to_static ），飞桨会自动将动态图的程序转换为静态图的program，并使用该program训练并可保存静态模型以实现推理部署。的网络结构，飞桨建议通过创建Python类的方式完成模型网络的定义，该类需要继承paddle.nn.Layer父类，并且在类中定义。将模型当前的参数数据 model.state_dict() 保存到文件中，用于模型预测或校验的程序调用。模型定义的实质是定义。