PP-OCRv3优化策略详细解读

导 读

OCR方向的工程师，之前一定听说过PaddleOCR这个项目，

累计Star数量已超过20000+，

频频登上GitHubTrending和Paperswithcode日榜月榜第一，

在Medium与Papers with Code 联合评选的《Top Trending Libraries of 2021》，从百万量级项目中脱颖而出，荣登Top10！

在《2021中国开源年度报告》中被评为活跃度Top5！

称它为OCR方向目前最火的repo绝对不为过。

PaddleOCR影响力

PP-OCRv3效果

本次PaddleOCR最新发版，带来四大重磅升级，包括：

一、发布超轻量OCR系统PP-OCRv3：中英文、纯英文以及多语言场景精度再提升5% - 11%！

二、发布半自动标注工具PPOCRLabelv2：新增表格文字图像、图像关键信息抽取任务和不规则文字图像的标注功能。

三、发布OCR产业落地工具集：打通22种训练部署软硬件环境与方式，覆盖企业90%的训练部署环境需求。

四、发布业界首个交互式OCR开源电子书《动手学OCR》，覆盖OCR全栈技术的前沿理论与代码实践，并配套教学视频。

传送门：https://github.com/PaddlePaddle/PaddleOCR

下面我们就对上述升级依次进行说明：

01PP-OCRv3优化策略详细解读

PP-OCR是PaddleOCR团队自研的超轻量OCR系统，面向OCR产业应用，权衡精度与速度。近期，PaddleOCR团队针对PP-OCRv2的检测模块和识别模块，进行共计9个方面的升级，打造出一款全新的、效果更优的超轻量OCR系统：PP-OCRv3。

从效果上看，速度可比情况下，多种场景精度均有大幅提升：

1.中文场景，相比于PP-OCRv2中文模型提升超5%；

2.英文数字场景，相比于PP-OCRv2英文数字模型提升11%；

3.多语言场景，优化80+语种识别效果，平均准确率提升超5%。

全新升级的PP-OCRv3的整体框架图（粉色框中为PP-OCRv3新增策略）如下图。检测模块仍基于DB算法优化，而识别模块不再采用CRNN，更新为IJCAI 2022最新收录的文本识别算法SVTR (论文名称：SVTR: Scene Text Recognition with a Single Visual Model)，并对其进行产业适配。

具体的优化策略包括：

1.检测模块

●LK-PAN：大感受野的PAN结构

●DML：教师模型互学习策略

●RSE-FPN：残差注意力机制的FPN结构

2.识别模块

●SVTR_LCNet：轻量级文本识别网络

●GTC：Attention指导CTC训练策略

●TextConAug：挖掘文字上下文信息的数据增广策略

●TextRotNet：自监督的预训练模型

●UDML：联合互学习策略

●UIM：无标注数据挖掘方案

优化策略解读详见第六节。

02PPOCRLabelv2多项重磅更新

PPOCRLabel是首款开源的OCR半自动数据标注工具，大幅减少开发者标注OCR数据的时间。2021年，项目获得Wave Summit 2021优秀开源项目奖、启智社区优秀项目奖。经过一年的更新迭代，PPOCRLabel结合产业实际落地需求，正式发布PPOCRLabelv2，更新内容如下：

●新增标注类型：表格标注、关键信息标注、不规则文字图像的标注（印章、弯曲文本等）

●新增功能：锁定框、图像旋转、数据集划分、批量处理等

●易用性提升：新增whl包安装、以及优化多处标注体验

表格标注动图、KIE标注动图（横向拉动）

03OCR产业落地工具集

考虑到真实产业应用面对的各种软硬件环境和不同的场景需求，基于飞桨训推一体的功能完备，本次升级发布OCR产业落地工具集，打通22种训练部署软硬件环境与方式，包括3种训练方式、6种训练环境、3种模型压缩策略、和10种推理部署方式，如下表所示：

其中特色能力如下：

1.分布式训练：飞桨分布式训练架构具备4D混合并行、端到端自适应分布式训练等多项特色技术。在PP-OCRv3识别模型训练中，4机加速比达到3.52倍，精度几乎无损。

2.模型压缩：飞桨模型压缩工具PaddleSlim功能完备，覆盖模型裁剪、量化、蒸馏和NAS。PP-OCR模型经过裁剪量化后，模型大小从8.1M压缩至3.5M，移动端平均预测耗时减少36%。

3.服务化部署：飞桨服务化部署引擎Paddle Serving，提供性能优越、功能可靠的模型即服务能力。针对PP-OCR模型的服务化部署，采用全异步的Pipeline Serving，可将吞吐量提升2倍以上。

4.移动端/边缘端部署：飞桨轻量化推理引擎Paddle Lite适配了20+ AI 加速芯片，可以快速实现OCR模型在移动设备、嵌入式设备和IOT设备等高效设备的部署。

5.云上飞桨：面向飞桨框架及其模型套件的部署工具箱，支持 Docker 化部署和 Kubernetes 集群部署两种方式，满足不同场景与环境下OCR模型的训练部署需求。

04《动手学OCR》电子书

《动手学OCR》是PaddleOCR团队携手华中科技大学博导/教授，IAPR Fellow 白翔、复旦大学青年研究员陈智能、中国移动研究院视觉领域资深专家黄文辉等产学研同仁，以及OCR开发者共同打造的结合OCR前沿理论与代码实践的教材。主要特色如下：

●覆盖从文本检测识别到文档分析的OCR全栈技术

●紧密结合理论实践，跨越代码实现鸿沟，并配套教学视频

●Notebook交互式学习，灵活修改代码，即刻获得结果

06PP-OCRv3优化策略详解 1.检测模块优化策略

PP-OCRv3检测模块对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。PP-OCRv3分别针对教师模型和学生模型进行进一步效果优化。其中，在对教师模型优化时，提出了大感受野的PAN结构LK-PAN和引入了DML（Deep Mutual Learning）蒸馏策略；在对学生模型优化时，提出了残差注意力机制的FPN结构RSE-FPN。消融实验如下表所示。

测试环境：Intel Gold 6148 CPU，预测时开启MKLDNN加速。

01

LK-PAN：大感受野的PAN结构

LK-PAN (Large Kernel PAN) 是一个具有更大感受野的轻量级PAN结构，核心是将PAN结构的path augmentation中卷积核从3*3改为9*9。通过增大卷积核，提升特征图每个位置覆盖的感受野，更容易检测大字体的文字以及极端长宽比的文字。使用LK-PAN结构，可以将教师模型的hmean从83.2%提升到85.0%。

02

DML：教师模型互学习策略

DML 互学习蒸馏方法，通过两个结构相同的模型互相学习，可以有效提升文本检测模型的精度。教师模型采用DML策略， hmean从85%提升到86%。将PP-OCRv2中CML的教师模型更新为上述更高精度的教师模型，学生模型的hmean可以进一步从83.2%提升到84.3%。

03

RSE-FPN：残差注意力机制的FPN结构

RSE-FPN（Residual Squeeze-and-Excitation FPN）引入残差结构和通道注意力结构，将FPN中的卷积层更换为带有残差结构的通道注意力结构的RSEConv层，进一步提升特征图的表征能力。进一步将PP-OCRv2中CML的学生模型的FPN结构更新为RSE-FPN，学生模型的hmean可以进一步从84.3%提升到85.4%。

2.识别模块优化策略

PP-OCRv3的识别模块是基于文本识别算法SVTR优化。SVTR不再采用RNN结构，通过引入Transformers结构更加有效地挖掘文本行图像的上下文信息，从而提升文本识别能力。直接将PP-OCRv2的识别模型，替换成SVTR_Tiny，识别准确率从74.8%提升到80.1%（+5.3%），但是预测速度慢了将近11倍，CPU上预测一条文本行，将近100ms。因此，如下图所示，PP-OCRv3采用如下6个优化策略进行识别模型加速，消融实验如下表所示。

注：测试速度时，实验01-03输入图片尺寸均为(3,32,320)，04-08输入图片尺寸均为(3,48,320)。在实际预测时，图像为变长输入，速度会有所变化。测试环境：Intel Gold 6148 CPU，预测时开启MKLDNN加速。

01

SVTR_LCNet：轻量级文本识别网络

SVTR_LCNet是针对文本识别任务，将Transformer网络和轻量级CNN网络PP-LCNet 融合的一种轻量级文本识别网络。使用该网络，并且将输入图片规范化高度从32提升到48，预测速度可比情况下，识别准确率达到73.98%，接近PP-OCRv2采用蒸馏策略的识别模型效果。

02

GTC：Attention指导CTC训练策略

GTC（Guided Training of CTC），利用Attention指导CTC训练，融合多种文本特征的表达，是一种有效的提升文本识别的策略。使用该策略，识别模型的准确率进一步提升到75.8%（+1.82%）。

03

TextConAug：挖掘文字上下文信息的数据增广策略

TextConAug是一种挖掘文字上下文信息的数据增广策略，可以丰富训练数据上下文信息，提升训练数据多样性。使用该策略，识别模型的准确率进一步提升到76.3%（+0.5%）。

04

TextRotNet：自监督的预训练模型

TextRotNet是使用大量无标注的文本行数据，通过自监督方式训练的预训练模型。该模型可以初始化SVTR_LCNet的初始权重，从而帮助文本识别模型收敛到更佳位置。使用该策略，识别模型的准确率进一步提升到76.9%（+0.6%）。

05

联合互学习策略

UDML（Unified-Deep Mutual Learning）联合互学习是PP-OCRv2中就采用的对于文本识别非常有效的提升模型效果的策略。在PP-OCRv3中，针对两个不同的SVTR_LCNet和Attention结构，对他们之间的PP-LCNet的特征图、SVTR模块的输出和Attention模块的输出同时进行监督训练。使用该策略，识别模型的准确率进一步提升到78.4%（+1.5%）。

06

无标注数据挖掘方案

UIM（Unlabeled Images Mining）是一种非常简单的无标注数据挖掘方案。核心思想是利用高精度的文本识别大模型对无标注数据进行预测，获取伪标签，并且选择预测置信度高的样本作为训练数据，用于训练小模型。使用该策略，识别模型的准确率进一步提升到79.4%（+1%）。

经过上述文本检测和文本识别9个方面的优化，最终PP-OCRv3在速度可比情况下，在中文场景端到端Hmean指标相比于PP-OCRv2提升5%，效果大幅提升。具体指标如下表所示：

在英文数字场景，基于PP-OCRv3单独训练的英文数字模型，相比于PP-OCRv2的英文数字模型提升11%，如下表所示。

在多语言场景，基于PP-OCRv3训练的模型，在有评估集的四种语系，相比于PP-OCRv2，识别准确率平均提升5%以上，如下表所示。同时，PaddleOCR团队基于PP-OCRv3更新了已支持的80余种语言识别模型。

审核编辑 ：李倩