PaddleOCR產(chǎn)業(yè)實(shí)踐之路：如何打造8.6M超輕量模型，一條龍解決訓(xùn)練部署問題

案例背景:
隨著深度學(xué)習(xí)技術(shù)的發(fā)展，光學(xué)字符識別技術(shù)（OCR）被廣泛的運(yùn)用至各個場景之中，包括自然場景中文字識別、車牌識別、票據(jù)識別等等，是機(jī)器服務(wù)人類的重要場景之一。根據(jù)美國研究機(jī)構(gòu)Grand View Research, Inc的最新報(bào)告，預(yù)計(jì)到2025年，全球光學(xué)字符識別市場規(guī)模將達(dá)到133.8億美元。
但目前OCR發(fā)展面臨著諸多難題，
（1）模型的效果和處理速度的要求：OCR應(yīng)用常對接海量圖片轉(zhuǎn)文本數(shù)據(jù)，要求數(shù)據(jù)能夠得到實(shí)時處理，甚至有一些OCR應(yīng)用需要部署在移動端或嵌入式硬件，對OCR模型的大小和預(yù)測速度提出了很高的要求。
（2）自定義從訓(xùn)練到部署全流程的需求：自然環(huán)境復(fù)雜多樣，機(jī)器識別面臨著尺度、光照不足、拍攝模糊等問題。同時業(yè)務(wù)場景不同，也會導(dǎo)致通用的商業(yè)API無法滿足多樣性需求，迫切需要完整的自定義訓(xùn)練能力和支持多樣的部署能力。

解決思路:
（1）打造8.6M超輕量模型：通過精選backbone、調(diào)整特征通道數(shù)等手段，在保證效果的前提下，不斷壓縮模型到8.6M，包含1個檢測模型（4.1M）與1個識別模型（4.5M），非常適合于部署于移動端。
（2）打通從訓(xùn)練到部署全流程：模型訓(xùn)練精選2種檢測算法（EAST、DB）、4種文本識別算法（CRNN、Rosseta、STAR-Net、RARE），基本可以覆蓋常見的OCR任務(wù)需求。支持基于Python/C++的預(yù)測推理、支持Serving服務(wù)化部署、支持端側(cè)部署等豐富的部署方式，同時還提供了在線演示、Apk Demo供開發(fā)者嘗試使用。

成果：
PaddleOCR開源項(xiàng)目經(jīng)媒體報(bào)道后，引起全球開發(fā)者的熱切關(guān)注和廣泛好評，媒體發(fā)稿第二天，登上GitHub Trending全球榜第一名，并且截至分享者提供材料之時，項(xiàng)目持續(xù)保持在周榜TOP3位置，技術(shù)交流群大量企業(yè)開發(fā)者完成企業(yè)項(xiàng)目落地。