1.导读
OCR方向的工程师，一定需要知道这个OCR开源项目：PaddleOCR
短短半年时间，累计Star数量已超过11.5K，频频登上GithubTrending和Paperswithcode日榜月榜第一，在《Github数字洞察报告》中被评为中国GithubTop20活跃项目。
称它为OCR方向目前最火的repo绝对不为过。
最近，它又带来两项全新发布：
AAAI顶会论文开源：PGNet:Real-timeArbitrarily-ShapedTextSpottingwithPointGatheringNetwork提出了一种简单且有效的任意方向端到端文本识别模型，在精度可比的基础上，与之前大火的ABCNet相比，预测速度快了三倍，达到SOTA效果。
多语言支持种类提升至80+种：基本覆盖国际主流语言种类，在开源测试集MLT评估，中文、韩文、日文、拉丁语系、阿拉伯语系，识别效果均显著优于EasyOCR，开源SOTA效果。
2.PaddleOCR历史表现回顾
先看下PaddleOCR自去年6月开源以来，短短几个月在GitHub上的表现：
年6月，8.6M超轻量模型发布，GitHubTrending全球趋势榜日榜第一。
年8月，开源CVPR顶会算法，再上GitHub趋势榜单！
年10月，发布PP-OCR算法，开源3.5M超超轻量模型，再登Paperswithcode趋势榜第一
年1月，发布Style-Text文本合成算法，PPOCRLabel数据标注工具，star数量突破+，截至目前已经达到11.5k，在《Github数字洞察报告》中被评为中国GithubTop20活跃项目。
这个含金量，广大的GitHub开发者们自然懂
1.超轻量模型的效果：
火车票、表格、金属铭牌、翻转图片、外语都是妥妥的，
动态图和静态图是深度学习框架常用的两种模式。在动态图模式下，代码编写运行方式符合Python程序员的习惯，易于调试，但在性能方面，Python执行开销较大，与C++有一定差距。
相比动态图，静态图在部署方面更具有性能的优势。静态图程序在编译执行时，预先搭建好的神经网络可以脱离Python依赖，在C++端被重新解析执行，而且拥有整体网络结构也能进行一些网络结构的优化。
飞桨动态图中新增了动态图转静态图的功能，支持用户使用动态图编写组网代码。预测部署时，飞桨会对用户代码进行分析，自动转换为静态图网络结构，兼顾了动态图易用性和静态图部署性能两方面优势。
2.文本合成工具Style-Text效果：
相比于传统的数据合成算法，Style-Text可以实现特殊背景下的图片风格迁移，只需要少许目标场景图像，就可以合成大量数据，效果展示如下：
3.半自动标注工具PPOCRLabel：
通过内置高质量的PPOCR中英文超轻量预训练模型，可以实现OCR数据的高效标注。CPU机器运行也是完全没问题的。效果演示如下：
用法也是非常的简单，标注效率提升60%-80%是妥妥的。
传送门：
Github：
转载请注明：http://www.0431gb208.com/sjszjzl/3058.html
