使用PaddleOCR实现文字识别

PaddleOCR是基于百度飞桨的开源文字识别模型，能够支持多文字类型识别和手写体识别，识别效果较好。

本文将从零开始，记录PaddleOCR 3.x的安装与使用过程。

安装飞桨框架

进入PP飞桨官网，复制适合自己操作系统及芯片厂商的安装命令。

使用Windows系统、纯CPU运行的，可以使用以下命令安装：

python -m pip install paddlepaddle==3.1.1 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

安装PaddleOCR

执行以下命令完整安装PaddleOCR：

python -m pip install "paddleocr[all]"

运行示例代码

准备一张测试图片test.png放在与代码文件同级的目录下。

运行以下示例代码：

from paddleocr import PaddleOCR
# 初始化 PaddleOCR 实例
ocr = PaddleOCR(
    use_doc_orientation_classify=False,
    use_doc_unwarping=False,
    use_textline_orientation=False)
# 对示例图像执行 OCR 推理 
result = ocr.predict(input="./test.png")
# 可视化结果并保存 json 结果
for res in result:
    res.print()
    res.save_to_img("output")
    res.save_to_json("output")

代码运行后，会输出识别后的文本框坐标、文本等信息，并在代码同级目录下自动生成output目录，用于存放OCR识别后的可视化结果。

下图为运行成功后，output目录下生成的可视化结果：

代码详解

上述代码通过PaddleOCR()实例化对象时，可进行参数设置，具体设置项如下：

参数	参数说明	参数类型	默认值
`doc_orientation_classify_model_name`	文档方向分类模型的名称。如果设置为`None`，将会使用产线默认模型。	`str\|None`	`None`
`doc_orientation_classify_model_dir`	文档方向分类模型的目录路径。如果设置为`None`，将会下载官方模型。	`str\|None`	`None`
`doc_unwarping_model_name`	文本图像矫正模型的名称。如果设置为`None`，将会使用产线默认模型。	`str\|None`	`None`
`doc_unwarping_model_dir`	文本图像矫正模型的目录路径。如果设置为`None`，将会下载官方模型。	`str\|None`	`None`
`text_detection_model_name`	文本检测模型的名称。如果设置为`None`，将会使用产线默认模型。	`str\|None`	`None`
`text_detection_model_dir`	文本检测模型的目录路径。如果设置为`None`，将会下载官方模型。	`str\|None`	`None`
`textline_orientation_model_name`	文本行方向模型的名称。如果设置为`None`，将会使用产线默认模型。	`str\|None`	`None`
`textline_orientation_model_dir`	文本行方向模型的目录路径。如果设置为`None`，将会下载官方模型。	`str\|None`	`None`
`textline_orientation_batch_size`	文本行方向模型的batch size。如果设置为`None`，将默认设置batch size为`1`。	`int\|None`	`None`
`text_recognition_model_name`	文本识别模型的名称。如果设置为`None`，将会使用产线默认模型。	`str\|None`	`None`
`text_recognition_model_dir`	文本识别模型的目录路径。如果设置为`None`，将会下载官方模型。	`str\|None`	`None`
`text_recognition_batch_size`	文本识别模型的batch size。如果设置为`None`，将默认设置batch size为`1`。	`int\|None`	`None`
`use_doc_orientation_classify`	是否加载并使用文档方向分类模块。如果设置为`None`，将使用产线初始化的该参数值，默认初始化为`True`。	`bool\|None`	`None`
`use_doc_unwarping`	是否加载并使用文本图像矫正模块。如果设置为`None`，将使用产线初始化的该参数值，默认初始化为`True`。	`bool\|None`	`None`
`use_textline_orientation`	是否加载并使用文本行方向模块。如果设置为`None`，将使用产线初始化的该参数值，默认初始化为`True`。	`bool\|None`	`None`
`text_det_limit_side_len`	文本检测的图像边长限制。 int：大于 `0` 的任意整数； None：如果设置为`None`，将使用产线初始化的该参数值，默认初始化为 `64`。	`int\|None`	`None`
`text_det_limit_type`	文本检测的边长度限制类型。 str：支持 `min` 和 `max`，`min` 表示保证图像最短边不小于 `det_limit_side_len`，`max` 表示保证图像最长边不大于 `limit_side_len`； None：如果设置为`None`，将使用产线初始化的该参数值，默认初始化为 `min`。	`str\|None`	`None`
`text_det_thresh`	文本检测像素阈值，输出的概率图中，得分大于该阈值的像素点才会被认为是文字像素点。 float：大于`0`的任意浮点数； None：如果设置为`None`，将使用产线初始化的该参数值（默认为`0.3`）。	`float\|None`	`None`
`text_det_box_thresh`	文本检测框阈值，检测结果边框内，所有像素点的平均得分大于该阈值时，该结果会被认为是文字区域。 float：大于`0`的任意浮点数； None：如果设置为`None`，将使用产线初始化的该参数值（默认为`0.6`）。	`float\|None`	`None`
`text_det_unclip_ratio`	文本检测扩张系数，使用该方法对文字区域进行扩张，该值越大，扩张的面积越大。 float：大于`0`的任意浮点数； None：如果设置为`None`，将使用产线初始化的该参数值（默认为`2.0`）。	`float\|None`	`None`
`text_det_input_shape`	文本检测的输入形状。	`tuple\|None`	`None`
`text_rec_score_thresh`	文本识别阈值，得分大于该阈值的文本结果会被保留。 float：大于`0`的任意浮点数； None：如果设置为`None`，将使用产线初始化的该参数值（默认为`0.0`，即不设阈值）。	`float\|None`	`None`
`text_rec_input_shape`	文本识别的输入形状。	`tuple\|None`	`None`
`lang`	使用指定语言的 OCR 模型。附录中的表格中列举了全部支持的语言。	`str\|None`	`None`
`ocr_version`	OCR 模型版本。 PP-OCRv5：使用PP-OCRv5系列模型； PP-OCRv4：使用PP-OCRv4系列模型； PP-OCRv3：使用PP-OCRv3系列模型。注意不是每个`ocr_version`都支持所有的`lang`，请查看附录中的对应关系表。	`str\|None`	`None`
`device`	用于推理的设备。支持指定具体卡号： CPU：如 `cpu` 表示使用 CPU 进行推理； GPU：如 `gpu:0` 表示使用第 1 块 GPU 进行推理； NPU：如 `npu:0` 表示使用第 1 块 NPU 进行推理； XPU：如 `xpu:0` 表示使用第 1 块 XPU 进行推理； MLU：如 `mlu:0` 表示使用第 1 块 MLU 进行推理； DCU：如 `dcu:0` 表示使用第 1 块 DCU 进行推理； None：如果设置为`None`，将默认使用产线初始化的该参数值，初始化时，会优先使用本地的 GPU 0号设备，如果没有，则使用 CPU 设备。	`str\|None`	`None`
`enable_hpi`	是否启用高性能推理。	`bool`	`False`
`use_tensorrt`	是否启用 Paddle Inference 的 TensorRT 子图引擎。如果模型不支持通过 TensorRT 加速，即使设置了此标志，也不会使用加速。对于 CUDA 11.8 版本的飞桨，兼容的 TensorRT 版本为 8.x（x>=6），建议安装 TensorRT 8.6.1.6。	`bool`	`False`
`precision`	计算精度，如 fp32、fp16。	`str`	`"fp32"`
`enable_mkldnn`	是否启用 MKL-DNN 加速推理。如果 MKL-DNN 不可用或模型不支持通过 MKL-DNN 加速，即使设置了此标志，也不会使用加速。	`bool`	`True`
`mkldnn_cache_capacity`	MKL-DNN 缓存容量。	`int`	`10`
`cpu_threads`	在 CPU 上进行推理时使用的线程数。	`int`	`8`
`paddlex_config`	PaddleX产线配置文件路径。	`str\|None`	`None`

执行ocr.predict()方法后会返回识别结果列表，我们可以从中获取到文本检测框位置、预测置信度、文本识别结果等信息。

为了加深认识，现在我们借助Pillow库，将PaddleOCR识别结果的检测框和文字在图像上画出来。

未安装Pillow库的可以使用以下命令安装：

pip install pillow

从PaddleOCR识别结果中获取检测框的坐标数组和文本识别结果列表：

# 检测框的坐标数组
boxes = result[0]['rec_boxes']
# 文本识别结果列表
texts = result[0]['rec_texts']

执行以下代码，通过循环将每个检测框和文本绘制在图片上:

from PIL import Image, ImageDraw, ImageFont
# 打开图片
image = Image.open('./test.png')
# 创建绘画的对象
draw = ImageDraw.Draw(image)
# 指定文字字体为宋体
font = ImageFont.truetype("simsun.ttc", size=20)
# 把每个检测框和文字绘制在图片上
for i in range(len(boxes)):
    draw.rectangle(boxes[i], outline="red", width=2)
    draw.text(boxes[i], rec_texts[i], fill="yellow", font=font)
image.show()

通过上述操作，我们就已经掌握了PaddleOCR文字识别的基础使用方法。

Menu

Share

使用PaddleOCR实现文字识别

安装飞桨框架

安装PaddleOCR

运行示例代码

代码详解

异或门、同或门介绍

使用Ollama本地部署大语言模型

显示Altium Designer原理图跨接线的方法

如何使用火狐浏览器朗读网页文本

与非门、或非门介绍

如何画一个有立体感的圆？

虚拟机安装Windows 2000超详细教程

利用GeoGebra软件化简数学公式

家用交流电是怎么变成直流电使用的

正片叠底与图层蒙版怎么用？在阴影的运用方法。