【疑难解决】PaddleOCR依赖治理

[Liyulingyue]

现状

PaddleOCR依赖了两个requirements.txt，分别是根目录下的 requirement.txt 和 ppstructure/recovery/requirements.txt，过多未标明版本的依赖项会导致依赖混乱。本ISSUE以Paddle v2.6和 requirement.txt 中的信息，对PaddleOCR当前的依赖情况进行梳理，并给出优化建议。

更多相关信息参考 PaddleOCR疑难解决。

依赖信息

包名称	功能	调用说明/提供的功能	建议
shapely	用于对象几何操作的2D几何库。支持多种几何对象的创建和操作	LineString, Point, Polygon
scikit-image	图像处理	thin、random_noise
imgaug	图像增强库	augmenters、Keypoint、KeypointsOnImage
pyclipper	2D裁剪库	PyclipperOffset、JT_ROUND、ET_CLOSEDPOLYGON
lmdb	轻量级的磁盘键值存储数据库	为LMDBDataSetTableMaster提供支持	调用语句仅env = lmdb.open(...)
tqdm	显示长循环的进度
numpy	数学运算
visualdl	可视化深度学习训练过程的工具	LogWriter	使用位置较少，可以移除
rapidfuzz	字符串相似度匹配	Levenshtein
opencv-python<=4.6.0.66	图像处理	fillPoly、resize、INTER_NEAREST、INTER_LINEAR、INTER_CUBIC、INTER_AREA、getRotationMatrix2D、warpAffine、BORDER_REPLICATE、imdecode、IMREAD_UNCHANGED、cvtColor、COLOR_BGR2RGB、drawContours、erode、boxPoints、line、getGaussianKernel、sepFilter2D、rotate、ROTATE_90_CLOCKWISE、threshold、rectangle
opencv-contrib-python<=4.6.0.66	图像处理	minAreaRect
cython	绑定c模块	绑定c pse模块
lxml	用于解析XML和HTML的库	etree, html	仅在ppstructure里使用
premailer	将CSS内联到HTML中的库	Premailer	仅在ppstructure里使用
openpyxl	用于读写Excel 2010 xlsx/xlsm/xltx/xltm文件	cell、get_column_letter、Workbook、styles	仅在ppstructure里使用
attrdict	提供类似于字典的访问方式，但使用属性来访问其元素		无使用情况
Pillow>=10.0.0	提供广泛的图像处理和格式支持	Image
pyyaml	用于解析和生成YAML数据

总结

综上，对于当前依赖的包可以进行如下分类：

1. 待移除的包

• visualdl
• attrdict

2. 需要移动到structure的包

• lxml
• premailer
• openpyxl

3. 需要考察功能的包

• cython，改包仅用于绑定pse模块，用于数据处理，可能可以排除该功能

4. 依赖功能较少的包，对于此类，如有需要可以自行实现相关功能

• shapely
• scikit-image
• imgaug
• pyclipper
• lmdb
• rapidfuzz
• opencv-contrib-python

其中，前三类可以优先处理。

此外，paddle框架限制numpy>=1.13, <2.0，可以发起对paddle框架进行numpy>2.0支持的活动。

[Liyulingyue]

@jzhang533 @GreatV @sunzhongkai588

[GreatV]

minAreaRect 实现好像比较复杂

[Liyulingyue]

minAreaRect 实现好像比较复杂

我觉得第四类里面的，只要没有冲突，都可以暂时不动

[GreatV]

当前日志系统还有wandb，可以把visualdl也做成可选的

[jzhang533]

可以先对，1 待移除的包 和 2 需要移动到structure的包，动手。
其他的包挨个深入看后在动手。