AI 助理
文档备案控制台
开发者社区 人工智能 文章 正文

PaddleOCR学习笔记 01-PaddleOCR简介

2024-10-18 1570
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 《PaddleOCR学习笔记 01-PaddleOCR简介》涵盖了PaddleOCR的基础介绍、OCR技术概览、PaddleOCR的开源状态及主要算法，包括文字检测与识别算法、百度自研的SAST、SRN和End2End-PSL等，以及9m超轻量模型的介绍。适合初学者入门学习。

PaddleOCR学习笔记 01-PaddleOCR简介

视频链接：https://www.bilibili.com/video/BV1nf4y1U7RX?p=4

官网地址：https://github.com/PaddlePaddle/PaddleOCR

入门教程：https://aistudio.baidu.com/aistudio/projectdetail/467229

OCR简介

image-20210319084824874

image-20210319084920478

image-20210319085015245

image-20210319085141214

image-20210319085309535

PaddleOCR开源情况

image-20210319085537431

image-20210319085604546

PaddleOCR文字检测算法

image-20210319085811326

17年cvpr，基于回归

弃用了anchor，多通道的FCN接一个NMS，对feature map的每个像素点都有一个检测结果

image-20210319090018061

image-20210319090217415

image-20210319090600079

image-20210319090825390

image-20210319090953127

基于分割的方法可以检测不规则的文本，更加准确。

image-20210319091228823

总的来说，在本地的话使用模型resnet50_vd比较好一些，在端侧使用mobilenetv3比较好些。

PaddleOCR文字识别算法

image-20210319091615079

image-20210319091916464

image-20210319092226967

image-20210319092246663

PaddleOCR总结

image-20210319092416895

image-20210319092450764

百度自研文本检测算法-SAST

image-20210319092558983

image-20210319093201559

百度自研文字识别算法-SRN

image-20210319093144856

image-20210319093624447

百度自研端到端算法-End2End-PSL*

image-20210319093803760

image-20210319094115799

image-20210319094201440

PaddleOCR 9m超轻量模型

image-20210319094237193

image-20210319094250137

image-20210319094323856

image-20210319094426465

image-20210319094457240

结束

image-20210319094822801

image-20210319094944208

image-20210319095010063

image-20210319095127265

image-20210319095228216

image-20210319095337424

image-20210319095419033

image-20210319095812466

image-20210319100522602

image-20210319100702474

文章标签：
算法
文字识别
计算机视觉
宋晨明
目录
相关文章
东风_
|
并行计算 Linux C语言
PaddleOCR
PaddleOCR
东风_
2566 0
游客fhgpbsodlzhda
|
自然语言处理 算法 数据挖掘
自蒸馏：一种简单高效的优化方式
背景知识蒸馏(knowledge distillation)指的是将预训练好的教师模型的知识通过蒸馏的方式迁移至学生模型，一般来说，教师模型会比学生模型网络容量更大，模型结构更复杂。对于学生而言，主要增益信息来自于更强的模型产出的带有更多可信信息的soft_label。例如下右图中，两个“2”对应的hard_label都是一样的，即0-9分类中，仅“2”类别对应概率为1.0，而soft_label
游客fhgpbsodlzhda
27238 2
自蒸馏：一种简单高效的优化方式
1941623231718325
|
网络协议 Python
python中socket客户端发送和接收数据
【4月更文挑战第7天】本教程聚焦TCP客户端数据发送与接收。使用Python的`socket`模块，通过`send()`发送字节串至服务器，如`client_socket.send(message_bytes)`；用`recv()`接收数据，如`received_data = client_socket.recv(buffer_size)`。异常处理确保网络错误时程序健壮性，例如`try-except`捕获`socket.error`。理解和掌握这些基础操作对于构建稳定的TCP客户端至关重要。
1941623231718325
3181 1
yunmai
|
机器学习/深度学习 文字识别 自然语言处理
OCR技术：解锁文字识别的无限可能
OCR（光学字符识别）技术是数字化浪潮中的关键工具，可将纸质文档、手写笔记或复杂背景下的文字图像转化为可编辑文本。本文从图像采集、预处理、字符识别到文本校正，全面解析OCR技术的原理，并探讨其在智能办公、智慧交通、便捷生活等领域的广泛应用。未来，OCR将与自然语言处理、计算机视觉等技术深度融合，推动智能化和综合化发展。通过开放生态系统和政策支持，开发者可探索更多创新场景，如古籍数字化、盲人阅读等，为社会带来更多价值。
yunmai
2440 57
AI研究者手札
|
机器学习/深度学习 传感器 人工智能
火灾火焰识别数据集（2200张图片已划分、已标注）｜适用于YOLO系列深度学习分类检测任务【数据集分享】
在人工智能和计算机视觉的快速发展中，火灾检测与火焰识别逐渐成为智慧城市、公共安全和智能监控的重要研究方向。一个高质量的数据集往往是推动相关研究的核心基础。本文将详细介绍一个火灾火焰识别数据集，该数据集共包含 2200 张图片，并已按照 训练集（train）、验证集（val）、测试集（test） 划分，同时配有对应的标注文件，方便研究者快速上手模型训练与评估。
AI研究者手札
4985 10
火灾火焰识别数据集（2200张图片已划分、已标注）｜适用于YOLO系列深度学习分类检测任务【数据集分享】
Harry技术
|
机器学习/深度学习 人工智能 算法
Python+YOLO v8 实战：手把手教你打造专属 AI 视觉目标检测模型
本文介绍了如何使用 Python 和 YOLO v8 开发专属的 AI 视觉目标检测模型。首先讲解了 YOLO 的基本概念及其高效精准的特点，接着详细说明了环境搭建步骤，包括安装 Python、PyCharm 和 Ultralytics 库。随后引导读者加载预训练模型进行图片验证，并准备数据集以训练自定义模型。最后，展示了如何验证训练好的模型并提供示例代码。通过本文，你将学会从零开始打造自己的目标检测系统，满足实际场景需求。
Harry技术
16936 1
Python+YOLO v8 实战：手把手教你打造专属 AI 视觉目标检测模型
AI研究者手札
|
机器学习/深度学习 边缘计算 文字识别
基于YOLOv8的汽车车牌位置实时检测项目【完整源码数据集+PyQt5界面+完整训练流程+开箱即用！】
本项目基于YOLOv8与PyQt5，打造开箱即用的汽车车牌位置实时检测系统。包含完整源码、2万张带标注数据集、预训练权重及详细教程，支持图片、视频、摄像头等多种输入方式。通过直观GUI实现一键检测，适合快速部署与二次开发。未来可扩展OCR模块、多目标识别等功能，助力智能交通管理。附带训练代码与流程文档，助你轻松上手深度学习车牌检测任务。
AI研究者手札
1637 3
基于YOLOv8的汽车车牌位置实时检测项目【完整源码数据集+PyQt5界面+完整训练流程+开箱即用！】
武汉频琵
|
算法 Go 计算机视觉
YOLOv8结构解读
YOLOv8是Ultralytics团队开发的最新目标检测模型，基于YOLO系列的高效单阶段架构，进一步优化了精度与速度。相比YOLOv5，YOLOv8在Backbone中移除了Focus模块，优化了CSP结构；在Neck部分增强了特征融合能力；Head部分采用Anchor-Free与解耦头设计，提升检测精度。此外，YOLOv8引入了更先进的损失函数、自对抗训练和动态标签分配等策略，显著提高了模型性能与鲁棒性。
武汉频琵
3623 0
kuaitongai
|
机器学习/深度学习 文字识别 自然语言处理
分析对比大模型OCR、传统OCR和深度学习OCR
OCR技术近年来迅速普及，广泛应用于文件扫描、快递单号识别、车牌识别及日常翻译等场景，极大提升了便利性。其发展历程从传统方法（基于模板匹配和手工特征设计）到深度学习（采用CNN、LSTM等自动学习高级语义特征），再到大模型OCR（基于Transformer架构，支持跨场景泛化和少样本学习）。每种技术在特定场景下各有优劣：传统OCR适合实时场景，深度学习OCR精度高但依赖大量数据，大模型OCR泛化能力强但训练成本高。未来，大模型OCR将结合多模态预训练，向通用文字理解方向发展，与深度学习OCR形成互补生态，最大化平衡成本与性能。
kuaitongai
7507 11

热门文章

最新文章

  • 1
    在阿里云环境下搭建基于SonarQube的自动化安全代码检测平台
  • 2
    RabbitMQ：四种ExChange用法
  • 3
    SOFAChannel#6 线上直播报名：轻量级监控分析系统 SOFALookout 原理讲解和功能演示
  • 4
    解读 V8 GC Log（一）: Node.js 应用背景与 GC 基础知识
  • 5
    npm install 一直卡着不动如何解决
  • 6
    LabVIEW控制PLC的实现方式
  • 7
    阿里云ESSD AutoPL云盘和ESSD PL-X云盘与其他云盘有何区别？
  • 8
    Oracle Net Manager使用
  • 9
    阿里云ECS上搭建个人Leanote云笔记本
  • 10
    EXPLAIN PLAN FOR 和 SET AUTOTRACE之间的差别
  • 1
    深入理解Scala Map：从实现原理到工程实践
    21
  • 2
    基于YOLO11的共享单车智能检测系统 | 用于乱停乱放治理、入栏率核算、精细化运营 | 附完整源码与效果演示
    17
  • 3
    基于 YOLO26 的6类PCB缺陷智能检测系统（中英文双版）| 附完整源码与效果演示
    21
  • 4
    无人机检测数据集 | 5400张YOLO低空安防数据集
    19
  • 5
    工地机械检测数据集 | 4600张YOLO智慧工地数据集
    18
  • 6
    2026年重庆生成式引擎优化（GEO）服务商推荐，产业范式与技术体系宏观研究报告
    28
  • 7
    智能体释放度子集律——文本 ⊂ 音频 ⊂ 视频⊂ 游戏
    21
  • 8
    2026年重庆GEO优化-生成式引擎优化产业范式与技术体系宏观研究报告
    30
  • 9
    为什么信任必须每 120 秒重审一次？
    25
  • 10
    第一份证据由谁签发？——给 Agent 信任系统一个不垄断起点的答案
    29

    • 相关电子书

    更多
  • 低代码开发师（初级）实战教程
  • 冬季实战营第三期：MySQL数据库进阶实战
  • 阿里巴巴DevOps 最佳实践手册
    • 下一篇
    一条命令迁移，帮你实现 OpenClaw 与 Hermes Agent 记忆互通！