从零开发短视频电商 PaddleOCR Java推理（一）飞桨引擎推理

发布时间：2024年01月12日

文章目录

简介

Github：https://github.com/PaddlePaddle/PaddleOCR

DJL：https://docs.djl.ai/docs/paddlepaddle/how_to_create_paddlepaddle_model_zh.html

在Java中，我发现两种主要的方式可以使用PaddleOCR。在此，我们不考虑通过Java进行本地部署服务的方式，而专注于两种更具可行性的方法。

方式一：DJL + 飞浆引擎 + 飞桨模型

通过采用DJL（Deep Java Library）结合飞浆引擎和飞桨模型的方式，我们能够实现高效的OCR推理。DJL作为一个深度学习框架无关的Java库，为我们提供了灵活性和简便性，同时能够与飞浆引擎协同工作，使得OCR模型的部署和推理变得更加便捷。

方式二：ONNXRuntime + 飞桨转换后的ONNX模型（Paddle2ONNX）

另一种方式是使用ONNXRuntime，结合经过Paddle2ONNX工具转换的飞桨模型。这种方法使得我们能够在Java环境中轻松地使用ONNXRuntime进行推理。通过将飞桨模型转换为ONNX格式，我们能够获得更大的灵活性，使得模型在不同平台上的部署更加简单。

参考：https://github.com/mymagicpower/AIAS/tree/main/1_image_sdks/ocr_v4_sdk

PaddleOCR 具有如下功能：

OCR
- 通用OCR
  - 流程为：区域检测+方向分类+识别
  - 检测模型+方向分类模型+识别模型
  - 都是小模型。
- 文档场景专用OCR
- 场景应用
  - 数码管识别
  - 通用表单识别
  - 票据识别
  - 电表读数识别
  - 车牌识别轻量级车牌识别推理模型下载链接
  - 手写体识别
  - 公私识别
  - 化验单识别
  - 更多制造、金融、交通行业的主要OCR垂类应用模型（如电表、液晶屏、高精度SVTR模型等），可参考场景应用模型下载
文档分析
- 版面复原：PDF转Word
- 版面分析
- 表格识别
- 关键信息抽取
通用信息提取
- 基于LLMS的信息抽取
- 通用信息提取

每种模型提供瘦身版和server版。

添加依赖

<dependency>
    <groupId>ai.djl.paddlepaddle</groupId>
    <artifactId>paddlepaddle-model-zoo</artifactId>
    <version>0.25.0</version>
</dependency>
<!-- paddlepaddle 无NDArray ，需要借用pytorch-->
<dependency>
    <groupId>ai.djl.pytorch</groupId>
    <artifactId>pytorch-engine</artifactId>
    <version>0.25.0</version>
</dependency>

文字识别

原图：

在这里插入图片描述

结果：

在这里插入图片描述

先介绍了一个整理过的OCR识别工具类，该工具类已经实现了强大的OCR功能。通过这个工具类，用户能够轻松地进行文字识别操作。

import ai.djl.inference.Predictor;
import ai.djl.modality.Classifications;
import ai.djl.modality.cv.Image;
import ai.djl.modality.cv.ImageFactory;
import ai.djl.modality.cv.output.BoundingBox;
import ai.djl.modality.cv.output.DetectedObjects;
import ai.djl.modality.cv.output.Rectangle;
import ai.djl.modality.cv.util.NDImageUtils;
import ai.djl.ndarray.NDArray;
import ai.djl.ndarray.NDManager;
import ai.djl.paddlepaddle.zoo.cv.imageclassification.PpWordRotateTranslator;
import ai.djl.paddlepaddle.zoo.cv.objectdetection.PpWordDetectionTranslator;
import ai.djl.paddlepaddle.zoo.cv.wordrecognition.PpWordRecognitionTranslator;
import ai.djl.repository.zoo.Criteria;
import ai.djl.repository.zoo.ZooModel;
import lombok.SneakyThrows;

import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;
import java.util.ArrayList;
import java.util.List;
import java.util.concurrent.ConcurrentHashMap;

public class PPOCR {
    static ZooModel<Image, DetectedObjects> detectionModel = null;
    static ZooModel<Image, Classifications> rotateModel = null;
    static ZooModel<Image, String> recognitionModel;

    static {
        try {
            Criteria<Image, DetectedObjects> detectionCriteria = Criteria.builder()
                    // 指定使用飞桨引擎执行推理
                    .optEngine("PaddlePaddle")
                    .setTypes(Image.class, DetectedObjects.class)
                    // 可以替换模型版本
                    .optModelUrls("https://resources.djl.ai/test-models/paddleOCR/mobile/det_db.zip")
                    .optTranslator(new PpWordDetectionTranslator(new ConcurrentHashMap<String, String>()))
                    .build();
            detectionModel = detectionCriteria.loadModel();

            Criteria<Image, Classifications> rotateCriteria = Criteria.builder()
                    .optEngine("PaddlePaddle")
                    .setTypes(Image.class, Classifications.class)
                     // 可以替换模型版本
                    .optModelUrls("https://resources.djl.ai/test-models/paddleOCR/mobile/cls.zip")
                    .optTranslator(new PpWordRotateTranslator())
                    .build();
            rotateModel = rotateCriteria.loadModel();

            Criteria<Image, String> recognitionCriteria = Criteria.builder()
                    .optEngine("PaddlePaddle")
                    .setTypes(Image.class, String.class)
                    // 可以替换模型版本
                    .optModelUrls("https://resources.djl.ai/test-models/paddleOCR/mobile/rec_crnn.zip")
                    .optTranslator(new PpWordRecognitionTranslator())
                    .build();
            recognitionModel = recognitionCriteria.loadModel();


        } catch (Exception e) {
            throw new RuntimeException(e);
        }
    }

    public static void main(String[] args) {
        // 识别本地图片
        doOCRFromFile("C:\\laker\\demo3\\1.png");
        // 识别网络图片
        doOCRFromUrl("https://img-blog.csdnimg.cn/direct/96de53d999c64c2589d0ab6a630e59d6.png");
    }

    @SneakyThrows
    public static String doOCRFromUrl(String url) {
        Image img = ImageFactory.getInstance().fromUrl(url);
        return doOCR(img);
    }

    @SneakyThrows
    public static String doOCRFromFile(String path) {
        Image img = ImageFactory.getInstance().fromFile(Path.of(path));
        return doOCR(img);
    }

    @SneakyThrows
    public static String doOCR(Image img) {
        List<DetectedObjects.DetectedObject> boxes = detection(img);
        List<String> names = new ArrayList<>();
        List<Double> prob = new ArrayList<>();
        List<BoundingBox> rect = new ArrayList<>();
        for (int i = 0; i < boxes.size(); i++) {
            System.out.println(boxes.get(i).getBoundingBox());
            Image subImg = getSubImage(img, boxes.get(i).getBoundingBox());
            if (subImg.getHeight() * 1.0 / subImg.getWidth() > 1.5) {
                subImg = rotateImg(subImg);
            }
            Classifications.Classification result = getRotateResult(subImg);
            if ("Rotate".equals(result.getClassName()) && result.getProbability() > 0.8) {
                subImg = rotateImg(subImg);
            }
            String name = recognizer(subImg);
            names.add(name);
            prob.add(-1.0);
            rect.add(boxes.get(i).getBoundingBox());
        }
        Image newImage = img.duplicate();
        newImage.drawBoundingBoxes(new DetectedObjects(names, prob, rect));
        newImage.getWrappedImage();
        newImage.save(Files.newOutputStream(Paths.get("C:\\laker\\demo3\\1-1-1.png")), "png");
        return "";
    }

    @SneakyThrows
    private static List<DetectedObjects.DetectedObject> detection(Image img) {
        Predictor<Image, DetectedObjects> detector = detectionModel.newPredictor();
        DetectedObjects detectedObj = detector.predict(img);
        System.out.println(detectedObj);
        return detectedObj.items();
    }

    @SneakyThrows
    private static Classifications.Classification getRotateResult(Image img) {
        Predictor<Image, Classifications> rotateClassifier = rotateModel.newPredictor();
        Classifications predict = rotateClassifier.predict(img);
        System.out.println(predict);
        return predict.best();
    }

    @SneakyThrows
    private static String recognizer(Image img) {

        Predictor<Image, String> recognizer = recognitionModel.newPredictor();
        String text = recognizer.predict(img);
        System.out.println(text);
        return text;
    }

    static Image getSubImage(Image img, BoundingBox box) {
        Rectangle rect = box.getBounds();
        double[] extended = extendRect(rect.getX(), rect.getY(), rect.getWidth(), rect.getHeight());
        int width = img.getWidth();
        int height = img.getHeight();
        int[] recovered = {
                (int) (extended[0] * width),
                (int) (extended[1] * height),
                (int) (extended[2] * width),
                (int) (extended[3] * height)
        };
        return img.getSubImage(recovered[0], recovered[1], recovered[2], recovered[3]);
    }

    static double[] extendRect(double xmin, double ymin, double width, double height) {
        double centerx = xmin + width / 2;
        double centery = ymin + height / 2;
        if (width > height) {
            width += height * 2.0;
            height *= 3.0;
        } else {
            height += width * 2.0;
            width *= 3.0;
        }
        double newX = centerx - width / 2 < 0 ? 0 : centerx - width / 2;
        double newY = centery - height / 2 < 0 ? 0 : centery - height / 2;
        double newWidth = newX + width > 1 ? 1 - newX : width;
        double newHeight = newY + height > 1 ? 1 - newY : height;
        return new double[]{newX, newY, newWidth, newHeight};
    }

    private static Image rotateImg(Image image) {
        try (NDManager manager = NDManager.newBaseManager()) {
            NDArray rotated = NDImageUtils.rotate90(image.toNDArray(manager), 1);
            return ImageFactory.getInstance().fromNDArray(rotated);
        }
    }
}

第一次执行时会从网络上下载对应的模型包并解压，后面可以复用。

区域检测模型

C:\Users\xxx.djl.ai\cache\repo\model\undefined\ai\djl\localmodelzoo\0fe77cae3367aab58bd7bec22e93d818c35706c6\det_db

/det_db/
    ├── inference.pdiparams         # inference模型的参数文件
    ├── inference.pdiparams.info    # inference模型的参数信息，可忽略
    └── inference.pdmodel           # inference模型的program文件

文字识别模型

C:\Users\xxx.djl.ai\cache\repo\model\undefined\ai\djl\localmodelzoo\f78cb59b6d66764eb68a5c1fb92b4ba132dbbcfe\rec_crnn

/rec_crnn/
    ├── inference.pdiparams         # inference模型的参数文件
    ├── inference.pdiparams.info    # inference模型的参数信息，可忽略
    └── inference.pdmodel           # inference模型的program文件
    └── ppocr_keys_v1.txt           # OCR识别字典

角度识别模型

C:\Users\xxx.djl.ai\cache\repo\model\undefined\ai\djl\localmodelzoo\33f7a81bc13304d4b5da850898d51c94697b71a9\cls

/cls/
    ├── inference.pdiparams         # inference模型的参数文件
    ├── inference.pdiparams.info    # inference模型的参数信息，可忽略
    └── inference.pdmodel           # inference模型的program文件

OCR过程分析

文字区域检测

文字区域检测是OCR过程中的关键步骤，旨在定位并标识待识别图片中的文字区域。以下是详细的步骤分析：

加载待识别图片：
- 用户提供待识别的图片，该图片可能包含一个或多个文本区域。
加载检测模型：
- OCR系统使用预训练的文字区域检测模型，确保该模型能够准确地定位图像中的文字。
推理与文本区域检测：
- 通过对待识别图片进行推理，文字区域检测模型会生成一个包含所有文字区域的二进制位图（Bitmap）。
- 使用 PpWordDetectionTranslator 函数将原始输出转换为包含每个文字区域位置的矩形框。
优化文本区域框：
- 对于由模型标注的文字区域框，进行优化以确保完整包含文字内容。
- 利用 extendRect 函数，可以将文字框的宽度和高度扩展到所需的大小。
- 使用 getSubImage 函数裁剪并提取出每个文本区域。
保存区域到本地：
- 将优化后的文本区域保存到本地，以备后续文字识别步骤使用或进行进一步的分析。

        // 加载图像
        String url = "https://resources.djl.ai/images/flight_ticket.jpg";
        Image img = ImageFactory.getInstance().fromUrl(url);
        
        // 保存原始图像
        img.save(new FileOutputStream("C:\\laker\\demo3\\1.jpg"), "jpg");

        // 加载目标检测模型
        Criteria<Image, DetectedObjects> criteria1 = Criteria.builder()
                .optEngine("PaddlePaddle")
                .setTypes(Image.class, DetectedObjects.class)
                .optModelUrls("https://resources.djl.ai/test-models/paddleOCR/mobile/det_db.zip")
                .optTranslator(new PpWordDetectionTranslator(new ConcurrentHashMap<String, String>()))
                .build();
        ZooModel<Image, DetectedObjects> detectionModel = criteria1.loadModel();
        Predictor<Image, DetectedObjects> detector = detectionModel.newPredictor();

        // 进行目标检测
        DetectedObjects detectedObj = detector.predict(img);
        System.out.println(detectedObj);

        // 在新图像上绘制边界框并保存
        Image newImage = img.duplicate();
        newImage.drawBoundingBoxes(detectedObj);
        newImage.save(Files.newOutputStream(Paths.get("C:\\laker\\demo3\\1.png")), "png");

        // 提取检测到的对象并保存为单独的图像文件
        List<DetectedObjects.DetectedObject> boxes = detectedObj.items();
        for (int i = 0; i < boxes.size(); i++) {
            Image sample = getSubImage(img, boxes.get(i).getBoundingBox());
            
            // 保存单独的对象图像
            sample.save(Files.newOutputStream(Paths.get("C:\\laker\\demo3\\1-" + i + ".png")), "png");
        }
...

    // 提取目标框内的子图像
    static Image getSubImage(Image img, BoundingBox box) {
        Rectangle rect = box.getBounds();
        double[] extended = extendRect(rect.getX(), rect.getY(), rect.getWidth(), rect.getHeight());
        int width = img.getWidth();
        int height = img.getHeight();
        int[] recovered = {
                (int) (extended[0] * width),
                (int) (extended[1] * height),
                (int) (extended[2] * width),
                (int) (extended[3] * height)
        };
        return img.getSubImage(recovered[0], recovered[1], recovered[2], recovered[3]);
    }

    // 扩展目标框
    static double[] extendRect(double xmin, double ymin, double width, double height) {
        double centerx = xmin + width / 2;
        double centery = ymin + height / 2;
        if (width > height) {
            width += height * 2.0;
            height *= 3.0;
        } else {
            height += width * 2.0;
            width *= 3.0;
        }
        double newX = centerx - width / 2 < 0 ? 0 : centerx - width / 2;
        double newY = centery - height / 2 < 0 ? 0 : centery - height / 2;
        double newWidth = newX + width > 1 ? 1 - newX : width;
        double newHeight = newY + height > 1 ? 1 - newY : height;
        return new double[]{newX, newY, newWidth, newHeight};
    }
}

以下为日志和结果

ai.djl.paddlepaddle.jni.LibUtils -- Downloading https://publish.djl.ai/paddlepaddle-2.3.2/cpu/win/native/lib/paddle_inference.dll.gz ...
ai.djl.paddlepaddle.jni.LibUtils -- Downloading https://publish.djl.ai/paddlepaddle-2.3.2/cpu/win/native/lib/openblas.dll.gz ...
ai.djl.paddlepaddle.jni.LibUtils -- Downloading https://publish.djl.ai/paddlepaddle-2.3.2/cpu/win/native/lib/onnxruntime.dll.gz ...
INFO ai.djl.paddlepaddle.jni.LibUtils -- Downloading https://publish.djl.ai/paddlepaddle-2.3.2/cpu/win/native/lib/paddle2onnx.dll.gz ...
ai.djl.paddlepaddle.jni.LibUtils -- Extracting jnilib/win-x86_64/cpu/djl_paddle.dll to cache ...
ai.djl.pytorch.engine.PtEngine -- PyTorch graph executor optimizer is enabled, this may impact your inference latency and throughput. See: https://docs.djl.ai/docs/development/inference_performance_optimization.html#graph-executor-optimization
ai.djl.pytorch.engine.PtEngine -- Number of inter-op threads is 4
ai.djl.pytorch.engine.PtEngine -- Number of intra-op threads is 4
WARNING: Logging before InitGoogleLogging() is written to STDERR
W0110 22:31:36.663225 34380 analysis_predictor.cc:1736] Deprecated. Please use CreatePredictor instead.
e[1me[35m--- Running analysis [ir_graph_build_pass]e[0m
I0110 22:31:36.928385 34380 analysis_predictor.cc:1035] ======= optimize end =======
I0110 22:31:36.928385 34380 naive_executor.cc:102] ---  skip [feed], feed -> x
I0110 22:31:36.931370 34380 naive_executor.cc:102] ---  skip [save_infer_model/scale_0.tmp_1], fetch -> fetch
I0110 22:31:36.935369 34380 naive_executor.cc:102] ---  skip [feed], feed -> x
I0110 22:31:36.938895 34380 naive_executor.cc:102] ---  skip [save_infer_model/scale_0.tmp_1], fetch -> fetch

[
	{"class": "word", "probability": 1.00000, "bounds": {"x"=0.071, "y"=0.033, "width"=0.067, "height"=0.008}}
	{"class": "word", "probability": 1.00000, "bounds": {"x"=0.797, "y"=0.055, "width"=0.107, "height"=0.031}}
	{"class": "word", "probability": 1.00000, "bounds": {"x"=0.485, "y"=0.063, "width"=0.238, "height"=0.029}}
]
有用的只有bounds这个字段

文字角度检测

文字角度检测也是OCR过程中的一个关键环节，其主要目的是确认图片中的文字是否需要旋转，以确保后续的文字识别能够准确进行。

String url = "https://resources.djl.ai/images/flight_ticket.jpg";
        Image img = ImageFactory.getInstance().fromUrl(url);
        img.getWrappedImage();

        Criteria<Image, Classifications> criteria2 = Criteria.builder()
                .optEngine("PaddlePaddle")
                .setTypes(Image.class, Classifications.class)
                .optModelUrls("https://resources.djl.ai/test-models/paddleOCR/mobile/cls.zip")
                .optTranslator(new PpWordRotateTranslator())
                .build();
        ZooModel<Image, Classifications> rotateModel = criteria2.loadModel();
        Predictor<Image, Classifications> predictor = rotateModel.newPredictor();
        Classifications classifications = predictor.predict(img);
        System.out.println(classifications);
        System.out.println(classifications.best());
    }

结果

[
	{"class": "Rotate", "probability": 0.60876}
	{"class": "No Rotate", "probability": 0.39123}
]

{"class": "Rotate", "probability": 0.60876}
这里旋转的可能性为0.60876，可以设置个阈值，如果大于阈值则需要旋转

// 获取图像的旋转分类结果
Classifications.Classification result = getRotateResult(subImg);

// 判断是否需要旋转，并且置信度大于 0.8
if ("Rotate".equals(result.getClassName()) && result.getProbability() > 0.8) {
    // 如果需要旋转，则调用 rotateImg 方法进行图像旋转
    subImg = rotateImg(subImg);
}

// 图像旋转方法
private static Image rotateImg(Image image) {
    try (NDManager manager = NDManager.newBaseManager()) {
        // 利用 NDImageUtils.rotate90 进行图像旋转，参数 1 表示顺时针旋转 90 度
        NDArray rotated = NDImageUtils.rotate90(image.toNDArray(manager), 1);
        // 将旋转后的 NDArray 转换回 Image 对象并返回
        return ImageFactory.getInstance().fromNDArray(rotated);
    }
}

文字识别（裁减旋转后的文字区域）

在文字识别的过程中，我们注意到处理大图片时可能导致效果较差。为了优化识别效果，建议将输入的 img 替换为经过前面两部处理后文字区域检测出来的仅包含文字的图片，以获得更好的效果。

  String url = "https://resources.djl.ai/images/flight_ticket.jpg";
        Image img = ImageFactory.getInstance().fromUrl(url);
        img.getWrappedImage();

        Criteria<Image, String> criteria3 =  Criteria.builder()
                .optEngine("PaddlePaddle")
                .setTypes(Image.class, String.class)
                .optModelUrls("https://resources.djl.ai/test-models/paddleOCR/mobile/rec_crnn.zip")
                .optTranslator(new PpWordRecognitionTranslator())
                .build();
        ZooModel<Image, String> recognitionModel = criteria3.loadModel();
        Predictor<Image, String> recognizer = recognitionModel.newPredictor();
        String predict = recognizer.predict(img);
        System.out.println(predict); // 输出示例：laker

高级

替换模型（离线）

在模型的选择方面，建议考虑替换paddlepaddle-model-zoo中自带的模型，因为这些模型可能相对较老。为了提高推理效果，我们可以选择更先进、性能更好的模型。

以文字识别模型示例，区域检测和角度检测更简单。

获取推理模型文件：https://github.com/PaddlePaddle/PaddleOCR

模型列表，注意跟随版本号（当前2.7）变更地址：
https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.7/doc/doc_ch/models_list.md

获取字典文件：wget https://gitee.com/paddlepaddle/PaddleOCR/raw/release/2.7/ppocr/utils/ppocr_keys_v1.txt

ppocr_keys_v1.txt是中文字典文件，如果使用的模型是英文数字或其他语言的模型，需要更换为对应语言的字典.
其他语言的字典文件，可从 PaddleOCR 仓库下载：https://github.com/PaddlePaddle/PaddleOCR/tree/release/2.7/ppocr/utils/dict

中文识别模型

模型名称	模型简介	配置文件	推理模型大小	下载地址
ch_PP-OCRv4_rec	【最新】超轻量模型，支持中英文、数字识别	ch_PP-OCRv4_rec_distill.yml	10M	推理模型 / 训练模型
ch_PP-OCRv4_server_rec	【最新】高精度模型，支持中英文、数字识别	ch_PP-OCRv4_rec_hgnet.yml	88M	推理模型 / 训练模型
ch_PP-OCRv3_rec_slim	slim量化版超轻量模型，支持中英文、数字识别	ch_PP-OCRv3_rec_distillation.yml	4.9M	推理模型 / 训练模型 / nb模型
ch_PP-OCRv3_rec	原始超轻量模型，支持中英文、数字识别	ch_PP-OCRv3_rec_distillation.yml	12.4M	推理模型 / 训练模型

我们以ch_PP-OCRv4_rec为例，下载推理模型和ppocr_keys_v1.txt文件，然后放到如下目录中：

字典文件名称必须为ppocr_keys_v1.txt，选择其他语言模型，也要把文件名改成这个。

在这里插入图片描述

示例代码如下：

        Image img = ImageFactory.getInstance().fromFile(Path.of("C:\\laker\\demo3\\1-26.png"));
        img.getWrappedImage();

        Criteria<Image, String> criteria3 =  Criteria.builder()
                .optEngine("PaddlePaddle")
                .setTypes(Image.class, String.class)
                .optModelPath(Paths.get("C:\\laker-1")) // 这里指定模型
                .optTranslator(new PpWordRecognitionTranslator())
                .build();
        ZooModel<Image, String> recognitionModel = criteria3.loadModel();
        Predictor<Image, String> recognizer = recognitionModel.newPredictor();
        String predict = recognizer.predict(img);
        System.out.println(predict);

还有其他方式可以替换，例如：

// 其他方式一 把zip包上传到 s3 指定其url
 Criteria<Image, String> criteria3 =  Criteria.builder()
                .optEngine("PaddlePaddle")
                .setTypes(Image.class, String.class)
                .optModelUrls("https://xxx.com/models/xxx_det_infer.zip")
                .optTranslator(new PpWordRecognitionTranslator())
                .build();

// 其他方式二 加载本地zip文件
 Criteria<Image, String> criteria3 =  Criteria.builder()
                .optEngine("PaddlePaddle")
                .setTypes(Image.class, String.class)
                .optModelPath(Paths.get("/laker/xxx_det_infer.zip"))
                .optTranslator(new PpWordRecognitionTranslator())
                .build();
// 其他方式三 加载位于JAR文件中模型
 Criteria<Image, String> criteria3 =  Criteria.builder()
                .optEngine("PaddlePaddle")
                .setTypes(Image.class, String.class)
                .optModelUrls("jar:///xxx_det_infer.zip")
                .optTranslator(new PpWordRecognitionTranslator())
                .build();

文章来源:https://blog.csdn.net/abu935009066/article/details/135554479
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：chenni525@qq.com进行投诉反馈，一经查实，立即删除！

从零开发短视频电商 PaddleOCR Java推理 （一）飞桨引擎推理

文章目录

简介

方式一：DJL + 飞浆引擎 + 飞桨模型

方式二：ONNXRuntime + 飞桨转换后的ONNX模型（Paddle2ONNX）

添加依赖

文字识别

OCR过程分析

文字区域检测

文字角度检测

文字识别（裁减旋转后的文字区域）

高级

替换模型（离线）

从零开发短视频电商 PaddleOCR Java推理（一）飞桨引擎推理