PaddleOCR 文本检测算法 DB 与 DB 深度解析可微分二值化原理、训练配置与推理部署实战【免费下载链接】PaddleOCR飞桨多语言OCR工具包实用超轻量OCR系统支持80种语言识别提供数据标注与合成工具支持服务器、移动端、嵌入式及IoT设备端的训练与部署 Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80 languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)项目地址: https://gitcode.com/paddlepaddle/PaddleOCRPaddleOCR 内置了经典的实时场景文本检测算法 DBDifferentiable Binarization及其升级版 DB带自适应尺度融合 ASF只需更换配置文件即可完成从训练、评估到推理部署的全流程。本文以 PaddleOCR 仓库中的 DB 与 DB 算法文档 为核心结合仓库中的配置文件与源码实现系统讲解两种算法的原理、复现指标、配置项含义、训练方法与多种推理部署方式帮助读者快速在自有数据集上复现与落地该检测模型。1. 算法简介从 DB 到 DBDBDifferentiable Binarization由 Liao Minghui 等人提出论文《Real-time Scene Text Detection with Differentiable Binarization》发表于 AAAI 2020其升级版 DB《Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion》发表于 TPAMI 2022。传统的分割类文本检测方法通常分两步先由分割网络输出概率图再通过固定阈值二值化得到文本区域最后用形态学操作还原文本框。这一流程中阈值是手工设定的不可学习且二值化过程不可导无法参与端到端训练。DB 算法的核心创新正是把“二值化”本身改造成可微分的操作网络同时输出概率图probability map与阈值图threshold map通过可微分的近似阶跃函数可微分二值化把两者融合成近似二值图binary map训练时梯度可以正常回传推理阶段阈值图不再需要仅对概率图做固定阈值切分因此几乎没有额外推理开销。在 PaddleOCR 的实现中这一近似阶跃函数位于 ppocr/modeling/heads/det_db_head.pydef step_function(self, x, y): return paddle.reciprocal(1 paddle.exp(-self.k * (x - y)))其中k默认 50为放大系数k越大该函数越接近真正的阶跃函数。DB 则在 DB 基础上引入**自适应尺度融合Adaptive Scale FusionASF**模块对多尺度特征进行注意力加权融合同时搭配可变形卷积DCN骨干网络进一步提升弯曲、多尺度文本的检测精度。2. 公开数据集复现效果在 ICDAR2015 文本检测公开数据集上PaddleOCR 官方复现效果如下模型骨干网络配置文件precisionrecallHmeanDBResNet50_vdconfigs/det/det_r50_vd_db.yml86.41%78.72%82.38%DBMobileNetV3configs/det/det_mv3_db.yml77.29%73.08%75.12%DBResNet50configs/det/det_r50_db_icdar15.yml90.89%82.66%86.58%在 TD_TR 文本检测公开数据集上复现效果如下模型骨干网络配置文件precisionrecallHmeanDBResNet50configs/det/det_r50_db_td_tr.yml92.92%86.48%89.58%从上表可以看出MobileNetV3 骨干的轻量版 DB 在精度略降的情况下大幅压缩计算量适合移动端部署而 DB 通过 ASF 与 DCN 的加持在 ICDAR2015 上将 Hmean 从 82.38% 提升到 86.58%。3. 环境配置与项目准备训练与推理前需要先配置 PaddleOCR 运行环境并克隆项目代码运行环境准备请参考 《运行环境准备》项目代码克隆请参考 《项目克隆》。4. 配置文件深度解析DB 与 DB 的差异PaddleOCR 将检测模型模块化为 Backbone骨干网络、Neck特征融合、Head检测头、Loss损失、PostProcess后处理五大部分训练不同检测模型只需更换配置文件。下面以 configs/det/det_r50_vd_db.ymlDB与 configs/det/det_r50_db_icdar15.ymlDB为例逐段讲解。4.1 Architecture架构定义DB 的架构定义Architecture: model_type: det algorithm: DB Transform: Backbone: name: ResNet_vd layers: 50 Neck: name: DBFPN out_channels: 256 Head: name: DBHead k: 50DB 的架构定义Architecture: model_type: det algorithm: DB Transform: null Backbone: name: ResNet layers: 50 dcn_stage: [False, True, True, True] # 第 2~4 个 stage 使用可变形卷积 Neck: name: DBFPN out_channels: 256 use_asf: True # 开启自适应尺度融合 ASF Head: name: DBHead k: 50两者关键差异骨干网络DB 使用ResNet_vdDB 使用ResNet并开启dcn_stage在第 2、3、4 个 stage 使用可变形卷积DCN增强几何形变建模能力NeckDB 在DBFPN上增加use_asf: True启用 ASF 注意力融合模块。ASF 的实现位于 ppocr/modeling/necks/db_fpn.py它先通过空间注意力spatial_scale与通道注意力channel_scale为各尺度特征图生成注意力分数再对p5/p4/p3/p2四层特征加权融合Head两者均使用DBHead参数k为可微分二值化的放大系数默认 50。DBHead内部包含两个结构相同的子网络binarize输出概率图与thresh输出阈值图训练时两者共同前向并融合出近似二值图详见 ppocr/modeling/heads/det_db_head.py。4.2 LossDB 专用损失函数DB 与 DB 均使用DBLoss配置如下Loss: name: DBLoss balance_loss: true main_loss_type: DiceLoss # DB 配置为 BCELoss alpha: 5 beta: 10 ohem_ratio: 3参数含义对应 ppocr/losses/det_db_loss.py 的实现alpha/beta概率图损失与阈值图损失的加权系数默认 5 和 10ohem_ratio负样本采样比例。训练时通过在线难例挖掘OHEM控制正负样本比例negative_ratio3表示负样本数量最多为正样本的 3 倍实现见 ppocr/losses/det_basic_loss.py 中的BalanceLossmain_loss_type概率图主损失类型。DB 使用DiceLossDB 使用BCELoss通过BalanceLoss包装同样支持 OHEM。DB 的总损失由三部分组成loss_shrink_maps概率图权重alphaloss_threshold_maps阈值图权重betaloss_binary_maps近似二值图 Dice 损失见DBLoss.forward的实现。4.3 Optimizer优化器配置DB 使用 Adam 优化器Optimizer: name: Adam beta1: 0.9 beta2: 0.999 lr: learning_rate: 0.001 regularizer: name: L2 factor: 0DB 使用 Momentum 学习率衰减Optimizer: name: Momentum momentum: 0.9 lr: name: DecayLearningRate learning_rate: 0.007 epochs: 1000 factor: 0.9 end_lr: 0 weight_decay: 0.00014.4 PostProcess后处理参数PostProcess: name: DBPostProcess thresh: 0.3 # 概率图二值化阈值 box_thresh: 0.7 # 框置信度阈值DB 为 0.6 max_candidates: 1000 # 最大候选框数 unclip_ratio: 1.5 # 外扩比例 det_box_type: quad # quad 或 polyDB 配置中有该字段对应 ppocr/postprocess/db_postprocess.py 中的DBPostProcessthresh对概率图做阈值切分的固定阈值对应源码中的segmentation pred self.threshbox_thresh候选框平均得分阈值低于该值的候选框被过滤对应box_score_fast/box_score_slow的得分比较unclip_ratio文本框外扩比例通过pyclipper按area * unclip_ratio / length的距离对多边形做膨胀unclip方法max_candidates最多保留的候选轮廓数det_box_type输出框类型quad输出四点四边形poly输出多边形适合弯曲文本。4.5 Metric评估指标Metric: name: DetMetric main_indicator: hmean检测模型以hmeanF1 分数precision 与 recall 的调和平均作为主评估指标。4.6 Train / Eval数据与数据增强DB 的训练数据配置configs/det/det_r50_vd_db.ymlTrain: dataset: name: SimpleDataSet data_dir: ./train_data/icdar2015/text_localization/ label_file_list: - ./train_data/icdar2015/text_localization/train_icdar2015_label.txt ratio_list: [1.0] transforms: - DecodeImage: img_mode: BGR channel_first: False - DetLabelEncode: - IaaAugment: augmenter_args: - { type: Fliplr, args: { p: 0.5 } } - { type: Affine, args: { rotate: [-10, 10] } } - { type: Resize, args: { size: [0.5, 3] } } - EastRandomCropData: size: [640, 640] max_tries: 50 keep_ratio: true - MakeBorderMap: shrink_ratio: 0.4 thresh_min: 0.3 thresh_max: 0.7 - MakeShrinkMap: shrink_ratio: 0.4 min_text_size: 8 - NormalizeImage: scale: 1./255. mean: [0.485, 0.456, 0.406] std: [0.229, 0.224, 0.225] order: hwc - ToCHWImage: - KeepKeys: keep_keys: [image, threshold_map, threshold_mask, shrink_map, shrink_mask] loader: shuffle: True drop_last: False batch_size_per_card: 16 num_workers: 4要点说明标签编码DetLabelEncode解析检测标注MakeShrinkMap根据标注文本多边形生成收缩图shrink mapMakeBorderMap生成阈值图及其掩码二者共同构成 DB 训练所需的监督信号数据增强IaaAugment提供水平翻转、旋转-10°~10°、随机缩放0.5~3 倍等增强EastRandomCropData在 640×640 区域内随机裁剪归一化NormalizeImage使用 ImageNet 均值方差归一化DB 的 mean/std 为[0.485, 0.456, 0.406]/[0.229, 0.224, 0.225]DB 使用 SynthText 统计的 mean[0.48109378172549, 0.45752457890196, 0.40787054090196]、std 为 1.0Eval 预处理评估时使用DetResizeForTest固定测试尺寸DB 为[736, 1280]DB 为[1152, 2048]loader 的batch_size_per_card必须为 1。5. 模型训练、评估与预测DB / DB 的训练、评估与预测流程与 PaddleOCR 通用文本检测流程一致详见 文本检测训练教程。PaddleOCR 对代码做了模块化设计训练不同检测模型只需更换配置文件核心命令示例# 单卡训练 python3 tools/train.py -c configs/det/det_r50_vd_db.yml # 评估 python3 tools/eval.py -c configs/det/det_r50_vd_db.yml -o Global.pretrained_model./output/det_r50_vd/best_accuracy # 预测 python3 tools/infer_det.py -c configs/det/det_r50_vd_db.yml -o Global.infer_img./doc/imgs_en/img_10.jpg训练 DB 时只需将-c参数替换为 configs/det/det_r50_db_icdar15.yml或 configs/det/det_r50_db_td_tr.yml网络结构、损失与后处理会自动按配置切换。6. 推理部署6.1 Python 推理第一步导出 inference model。将训练保存的模型转换为推理模型以 ResNet50_vd 骨干、ICDAR2015 英文数据集训练的 DB 模型为例python3 tools/export_model.py -c configs/det/det_r50_vd_db.yml -o Global.pretrained_model./det_r50_vd_db_v2.0_train/best_accuracy Global.save_inference_dir./inference/det_db第二步执行检测推理。使用 tools/infer/predict_det.py 进行文本检测python3 tools/infer/predict_det.py --image_dir./doc/imgs_en/img_10.jpg --det_model_dir./inference/det_db/ --det_algorithmDB可视化文本检测结果默认保存到./inference_results文件夹结果文件名称前缀为det_res。注意ICDAR2015 数据集仅包含 1000 张训练图像且主要针对英文场景因此上述模型对中文文本图像的检测效果会比较差。如需中文检测应使用中文数据集如 ICDAR2017 MLT、合成中文数据重新训练或直接使用 PaddleOCR 官方发布的中文检测模型。6.2 C 推理准备好推理模型后参考 C 推理部署教程 操作即可PaddleOCR 提供基于 Paddle Inference 的 C 端推理方案。6.3 Serving 服务化部署准备好推理模型后参考 Paddle Serving 部署教程 进行服务化部署支持Python Serving与C Serving两种模式可将 DB 检测模型封装为 HTTP/RPC 服务对外提供能力。6.4 更多推理部署方式Paddle2ONNX 推理准备好推理模型后参考 Paddle2ONNX 转换教程 将模型转换为 ONNX 格式从而在其他推理框架或平台上运行。7. FAQ在训练或部署 DB / DB 模型时常见问题检测框不完整或缺失可适当调大unclip_ratio文本框外扩比例或调低box_thresh框置信度阈值小文本漏检调小thresh或在训练数据中增加小尺度文本样本也可调整DetResizeForTest的测试尺寸使其更适配输入图像分辨率显存不足降低Train.loader.batch_size_per_card或调小训练时EastRandomCropData的size训练不收敛确认pretrained_model指向正确的预训练权重路径并检查数据集的label_file_list路径与标注格式是否正确。引用若在学术工作中使用了本文涉及的算法请引用以下论文inproceedings{liao2020real, title{Real-time scene text detection with differentiable binarization}, author{Liao, Minghui and Wan, Zhaoyi and Yao, Cong and Chen, Kai and Bai, Xiang}, booktitle{Proceedings of the AAAI Conference on Artificial Intelligence}, volume{34}, number{07}, pages{11474--11481}, year{2020} } article{liao2022real, title{Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion}, author{Liao, Minghui and Zou, Zhisheng and Wan, Zhaoyi and Yao, Cong and Bai, Xiang}, journal{IEEE Transactions on Pattern Analysis and Machine Intelligence}, year{2022}, publisher{IEEE} }【免费下载链接】PaddleOCR飞桨多语言OCR工具包实用超轻量OCR系统支持80种语言识别提供数据标注与合成工具支持服务器、移动端、嵌入式及IoT设备端的训练与部署 Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80 languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)项目地址: https://gitcode.com/paddlepaddle/PaddleOCR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 PaddleOCR 文本检测算法 DB 与 DB++ 深度解析：可微分二值化原理、训练配置与推理部署实战
PaddleOCR 文本检测算法 DB 与 DB 深度解析可微分二值化原理、训练配置与推理部署实战【免费下载链接】PaddleOCR飞桨多语言OCR工具包实用超轻量OCR系统支持80种语言识别提供数据标注与合成工具支持服务器、移动端、嵌入式及IoT设备端的训练与部署 Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80 languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)项目地址: https://gitcode.com/paddlepaddle/PaddleOCRPaddleOCR 内置了经典的实时场景文本检测算法 DBDifferentiable Binarization及其升级版 DB带自适应尺度融合 ASF只需更换配置文件即可完成从训练、评估到推理部署的全流程。本文以 PaddleOCR 仓库中的 DB 与 DB 算法文档 为核心结合仓库中的配置文件与源码实现系统讲解两种算法的原理、复现指标、配置项含义、训练方法与多种推理部署方式帮助读者快速在自有数据集上复现与落地该检测模型。1. 算法简介从 DB 到 DBDBDifferentiable Binarization由 Liao Minghui 等人提出论文《Real-time Scene Text Detection with Differentiable Binarization》发表于 AAAI 2020其升级版 DB《Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion》发表于 TPAMI 2022。传统的分割类文本检测方法通常分两步先由分割网络输出概率图再通过固定阈值二值化得到文本区域最后用形态学操作还原文本框。这一流程中阈值是手工设定的不可学习且二值化过程不可导无法参与端到端训练。DB 算法的核心创新正是把“二值化”本身改造成可微分的操作网络同时输出概率图probability map与阈值图threshold map通过可微分的近似阶跃函数可微分二值化把两者融合成近似二值图binary map训练时梯度可以正常回传推理阶段阈值图不再需要仅对概率图做固定阈值切分因此几乎没有额外推理开销。在 PaddleOCR 的实现中这一近似阶跃函数位于 ppocr/modeling/heads/det_db_head.pydef step_function(self, x, y): return paddle.reciprocal(1 paddle.exp(-self.k * (x - y)))其中k默认 50为放大系数k越大该函数越接近真正的阶跃函数。DB 则在 DB 基础上引入**自适应尺度融合Adaptive Scale FusionASF**模块对多尺度特征进行注意力加权融合同时搭配可变形卷积DCN骨干网络进一步提升弯曲、多尺度文本的检测精度。2. 公开数据集复现效果在 ICDAR2015 文本检测公开数据集上PaddleOCR 官方复现效果如下模型骨干网络配置文件precisionrecallHmeanDBResNet50_vdconfigs/det/det_r50_vd_db.yml86.41%78.72%82.38%DBMobileNetV3configs/det/det_mv3_db.yml77.29%73.08%75.12%DBResNet50configs/det/det_r50_db_icdar15.yml90.89%82.66%86.58%在 TD_TR 文本检测公开数据集上复现效果如下模型骨干网络配置文件precisionrecallHmeanDBResNet50configs/det/det_r50_db_td_tr.yml92.92%86.48%89.58%从上表可以看出MobileNetV3 骨干的轻量版 DB 在精度略降的情况下大幅压缩计算量适合移动端部署而 DB 通过 ASF 与 DCN 的加持在 ICDAR2015 上将 Hmean 从 82.38% 提升到 86.58%。3. 环境配置与项目准备训练与推理前需要先配置 PaddleOCR 运行环境并克隆项目代码运行环境准备请参考 《运行环境准备》项目代码克隆请参考 《项目克隆》。4. 配置文件深度解析DB 与 DB 的差异PaddleOCR 将检测模型模块化为 Backbone骨干网络、Neck特征融合、Head检测头、Loss损失、PostProcess后处理五大部分训练不同检测模型只需更换配置文件。下面以 configs/det/det_r50_vd_db.ymlDB与 configs/det/det_r50_db_icdar15.ymlDB为例逐段讲解。4.1 Architecture架构定义DB 的架构定义Architecture: model_type: det algorithm: DB Transform: Backbone: name: ResNet_vd layers: 50 Neck: name: DBFPN out_channels: 256 Head: name: DBHead k: 50DB 的架构定义Architecture: model_type: det algorithm: DB Transform: null Backbone: name: ResNet layers: 50 dcn_stage: [False, True, True, True] # 第 2~4 个 stage 使用可变形卷积 Neck: name: DBFPN out_channels: 256 use_asf: True # 开启自适应尺度融合 ASF Head: name: DBHead k: 50两者关键差异骨干网络DB 使用ResNet_vdDB 使用ResNet并开启dcn_stage在第 2、3、4 个 stage 使用可变形卷积DCN增强几何形变建模能力NeckDB 在DBFPN上增加use_asf: True启用 ASF 注意力融合模块。ASF 的实现位于 ppocr/modeling/necks/db_fpn.py它先通过空间注意力spatial_scale与通道注意力channel_scale为各尺度特征图生成注意力分数再对p5/p4/p3/p2四层特征加权融合Head两者均使用DBHead参数k为可微分二值化的放大系数默认 50。DBHead内部包含两个结构相同的子网络binarize输出概率图与thresh输出阈值图训练时两者共同前向并融合出近似二值图详见 ppocr/modeling/heads/det_db_head.py。4.2 LossDB 专用损失函数DB 与 DB 均使用DBLoss配置如下Loss: name: DBLoss balance_loss: true main_loss_type: DiceLoss # DB 配置为 BCELoss alpha: 5 beta: 10 ohem_ratio: 3参数含义对应 ppocr/losses/det_db_loss.py 的实现alpha/beta概率图损失与阈值图损失的加权系数默认 5 和 10ohem_ratio负样本采样比例。训练时通过在线难例挖掘OHEM控制正负样本比例negative_ratio3表示负样本数量最多为正样本的 3 倍实现见 ppocr/losses/det_basic_loss.py 中的BalanceLossmain_loss_type概率图主损失类型。DB 使用DiceLossDB 使用BCELoss通过BalanceLoss包装同样支持 OHEM。DB 的总损失由三部分组成loss_shrink_maps概率图权重alphaloss_threshold_maps阈值图权重betaloss_binary_maps近似二值图 Dice 损失见DBLoss.forward的实现。4.3 Optimizer优化器配置DB 使用 Adam 优化器Optimizer: name: Adam beta1: 0.9 beta2: 0.999 lr: learning_rate: 0.001 regularizer: name: L2 factor: 0DB 使用 Momentum 学习率衰减Optimizer: name: Momentum momentum: 0.9 lr: name: DecayLearningRate learning_rate: 0.007 epochs: 1000 factor: 0.9 end_lr: 0 weight_decay: 0.00014.4 PostProcess后处理参数PostProcess: name: DBPostProcess thresh: 0.3 # 概率图二值化阈值 box_thresh: 0.7 # 框置信度阈值DB 为 0.6 max_candidates: 1000 # 最大候选框数 unclip_ratio: 1.5 # 外扩比例 det_box_type: quad # quad 或 polyDB 配置中有该字段对应 ppocr/postprocess/db_postprocess.py 中的DBPostProcessthresh对概率图做阈值切分的固定阈值对应源码中的segmentation pred self.threshbox_thresh候选框平均得分阈值低于该值的候选框被过滤对应box_score_fast/box_score_slow的得分比较unclip_ratio文本框外扩比例通过pyclipper按area * unclip_ratio / length的距离对多边形做膨胀unclip方法max_candidates最多保留的候选轮廓数det_box_type输出框类型quad输出四点四边形poly输出多边形适合弯曲文本。4.5 Metric评估指标Metric: name: DetMetric main_indicator: hmean检测模型以hmeanF1 分数precision 与 recall 的调和平均作为主评估指标。4.6 Train / Eval数据与数据增强DB 的训练数据配置configs/det/det_r50_vd_db.ymlTrain: dataset: name: SimpleDataSet data_dir: ./train_data/icdar2015/text_localization/ label_file_list: - ./train_data/icdar2015/text_localization/train_icdar2015_label.txt ratio_list: [1.0] transforms: - DecodeImage: img_mode: BGR channel_first: False - DetLabelEncode: - IaaAugment: augmenter_args: - { type: Fliplr, args: { p: 0.5 } } - { type: Affine, args: { rotate: [-10, 10] } } - { type: Resize, args: { size: [0.5, 3] } } - EastRandomCropData: size: [640, 640] max_tries: 50 keep_ratio: true - MakeBorderMap: shrink_ratio: 0.4 thresh_min: 0.3 thresh_max: 0.7 - MakeShrinkMap: shrink_ratio: 0.4 min_text_size: 8 - NormalizeImage: scale: 1./255. mean: [0.485, 0.456, 0.406] std: [0.229, 0.224, 0.225] order: hwc - ToCHWImage: - KeepKeys: keep_keys: [image, threshold_map, threshold_mask, shrink_map, shrink_mask] loader: shuffle: True drop_last: False batch_size_per_card: 16 num_workers: 4要点说明标签编码DetLabelEncode解析检测标注MakeShrinkMap根据标注文本多边形生成收缩图shrink mapMakeBorderMap生成阈值图及其掩码二者共同构成 DB 训练所需的监督信号数据增强IaaAugment提供水平翻转、旋转-10°~10°、随机缩放0.5~3 倍等增强EastRandomCropData在 640×640 区域内随机裁剪归一化NormalizeImage使用 ImageNet 均值方差归一化DB 的 mean/std 为[0.485, 0.456, 0.406]/[0.229, 0.224, 0.225]DB 使用 SynthText 统计的 mean[0.48109378172549, 0.45752457890196, 0.40787054090196]、std 为 1.0Eval 预处理评估时使用DetResizeForTest固定测试尺寸DB 为[736, 1280]DB 为[1152, 2048]loader 的batch_size_per_card必须为 1。5. 模型训练、评估与预测DB / DB 的训练、评估与预测流程与 PaddleOCR 通用文本检测流程一致详见 文本检测训练教程。PaddleOCR 对代码做了模块化设计训练不同检测模型只需更换配置文件核心命令示例# 单卡训练 python3 tools/train.py -c configs/det/det_r50_vd_db.yml # 评估 python3 tools/eval.py -c configs/det/det_r50_vd_db.yml -o Global.pretrained_model./output/det_r50_vd/best_accuracy # 预测 python3 tools/infer_det.py -c configs/det/det_r50_vd_db.yml -o Global.infer_img./doc/imgs_en/img_10.jpg训练 DB 时只需将-c参数替换为 configs/det/det_r50_db_icdar15.yml或 configs/det/det_r50_db_td_tr.yml网络结构、损失与后处理会自动按配置切换。6. 推理部署6.1 Python 推理第一步导出 inference model。将训练保存的模型转换为推理模型以 ResNet50_vd 骨干、ICDAR2015 英文数据集训练的 DB 模型为例python3 tools/export_model.py -c configs/det/det_r50_vd_db.yml -o Global.pretrained_model./det_r50_vd_db_v2.0_train/best_accuracy Global.save_inference_dir./inference/det_db第二步执行检测推理。使用 tools/infer/predict_det.py 进行文本检测python3 tools/infer/predict_det.py --image_dir./doc/imgs_en/img_10.jpg --det_model_dir./inference/det_db/ --det_algorithmDB可视化文本检测结果默认保存到./inference_results文件夹结果文件名称前缀为det_res。注意ICDAR2015 数据集仅包含 1000 张训练图像且主要针对英文场景因此上述模型对中文文本图像的检测效果会比较差。如需中文检测应使用中文数据集如 ICDAR2017 MLT、合成中文数据重新训练或直接使用 PaddleOCR 官方发布的中文检测模型。6.2 C 推理准备好推理模型后参考 C 推理部署教程 操作即可PaddleOCR 提供基于 Paddle Inference 的 C 端推理方案。6.3 Serving 服务化部署准备好推理模型后参考 Paddle Serving 部署教程 进行服务化部署支持Python Serving与C Serving两种模式可将 DB 检测模型封装为 HTTP/RPC 服务对外提供能力。6.4 更多推理部署方式Paddle2ONNX 推理准备好推理模型后参考 Paddle2ONNX 转换教程 将模型转换为 ONNX 格式从而在其他推理框架或平台上运行。7. FAQ在训练或部署 DB / DB 模型时常见问题检测框不完整或缺失可适当调大unclip_ratio文本框外扩比例或调低box_thresh框置信度阈值小文本漏检调小thresh或在训练数据中增加小尺度文本样本也可调整DetResizeForTest的测试尺寸使其更适配输入图像分辨率显存不足降低Train.loader.batch_size_per_card或调小训练时EastRandomCropData的size训练不收敛确认pretrained_model指向正确的预训练权重路径并检查数据集的label_file_list路径与标注格式是否正确。引用若在学术工作中使用了本文涉及的算法请引用以下论文inproceedings{liao2020real, title{Real-time scene text detection with differentiable binarization}, author{Liao, Minghui and Wan, Zhaoyi and Yao, Cong and Chen, Kai and Bai, Xiang}, booktitle{Proceedings of the AAAI Conference on Artificial Intelligence}, volume{34}, number{07}, pages{11474--11481}, year{2020} } article{liao2022real, title{Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion}, author{Liao, Minghui and Zou, Zhisheng and Wan, Zhaoyi and Yao, Cong and Bai, Xiang}, journal{IEEE Transactions on Pattern Analysis and Machine Intelligence}, year{2022}, publisher{IEEE} }【免费下载链接】PaddleOCR飞桨多语言OCR工具包实用超轻量OCR系统支持80种语言识别提供数据标注与合成工具支持服务器、移动端、嵌入式及IoT设备端的训练与部署 Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80 languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)项目地址: https://gitcode.com/paddlepaddle/PaddleOCR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考