Skip to content

Latest commit

 

History

History
291 lines (224 loc) · 9.77 KB

multi_languages.md

File metadata and controls

291 lines (224 loc) · 9.77 KB

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

# 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

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