数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具

机器之心发布
机器之心编辑部

OCR 方向的工程师 , 一定需要知道这个 OCR 开源项目:PaddleOCR 。 短短几个月 , 累计 Star 数量已超过 7.2K , 频频登上 Github Trending 日榜月榜 , 称它为 OCR 方向目前最火的 repo 绝对不为过 。
12 月 , 它又带来四大新发布与升级 , 核心内容先睹为快:
  • 全新发布数据合成工具 Style-Text:可以批量合成大量与目标场景类似的图像 , 在多个场景验证 , 效果均提升 15% 以上 。
  • 全新发布半自动数据标注工具 PPOCRLabel:有了它数据标注工作事半功倍 , 相比 labelimg 标注效率提升 60% 以上 , 社区小规模测试 , 好评如潮 。
  • 多语言识别模型效果升级:中文、英文、韩语、法语、德语、日文识别效果均优于 EasyO
R 。
  • PP-OCR 开发体验再升级:支持动态图开发(训练调试更方便) , 静态图部署(预测效率更高) , 鱼与熊掌可以兼得 。
PaddleOCR 历史表现回顾
先看下 PaddleOCR 自今年开源以来 , 短短几个月在 GitHub 上的表现:
  • 6 月 , 8.6M 超轻量模型发布 , GitHub Trending 全球趋势榜日榜第一 。
  • 8 月 , 开源 CVPR2020 顶会 SOTA 算法 , 再上 GitHub 趋势榜单!
  • 10 月 , 发布 PP-OCR 算法 , 开源 3.5M 超超轻量模型 , 再下 Paperswithcode 趋势榜第一

数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具
文章图片

这个含金量 , 广大的 GitHub 开发者们自然懂 , 3.5M 超超轻量模型的效果图大家直接看 , 绝对杠杠的 。

数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具
文章图片

【数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具】火车票、表格、金属铭牌、翻转图片、外语都是妥妥的 , 3.5M 的模型能达到这个识别精度 , 绝对是良心之作了!
传送门:https://github.com/PaddlePaddle/PaddleOCR
那么最近的 12 月份更新 , 又给大家带来哪些惊喜呢?
全新发布 OCR 数据合成工具:Style-Text
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:
1、相同背景批量数据合成

数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具
文章图片

2、相同文字批量数据合成

数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具
文章图片

3、图片分离前景背景

数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具
文章图片

除了拉风的效果 , 采用这样的合成数据和真实数据一起训练 , 可以显著提升特殊场景的性能指标 , 分别以两个场景为例:

数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具
文章图片

怎么样 , 绝对是黑科技了吧 。 这项能力核心算法是基于百度自研的文本编辑算法《Editing Text in the Wild》 。
论文地址:https://arxiv.org/abs/1908.03047
不同于常用的基于 GAN 的数据合成工具 , Style-Text 主要框架包括 ①文本前景风格迁移模块 ②背景抽取模块 ③融合模块 。 经过这样三步 , 就可以迅速实现图片文字风格迁移啦 。

数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具
文章图片

超强 OCR 数据标注工具:PPOCRLabel
除了数据合成 , 数据标注也一直是深度学习开发者关注的重点 , 无论是从成本还是时间上面 , 提高标注效率 , 降低标注成本太重要了 。 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 。 话不多说 , 直接看 PPOCRLabel 效果演示:
用法也是非常的简单 , 标注效率提升 60%-80% 是妥妥的 。 只能说 , 真的太香了 。
最好的多语言模型效果
简单对比一下目前主流 OCR 方向开源 repo 的核心能力:
中英文模型性能及功能对比

数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具
文章图片

其中 , 多语言识别模型准确率对比(仅 EasyOCR 提供)

数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具
文章图片

测试数据及环境说明:
  • 中英文场景:针对 OCR 实际应用场景 , 包括合同 , 车牌 , 铭牌 , 火车票 , 化验单 , 表格 , 证书 , 街景文字 , 名片 , 数码显示屏等 , 收集的 300 张图像 , 每张图平均有 17 个文本框 , PaddleOCR 的 F1-Score 超过 0.5 , 这个性能已经很不错了 。
  • 多语言场景:PaddleOCR 选择了开源数据 ICDAR2017 – MLT(多语言文本识别测试集) , 并抽取其中的法语、德语、日语、韩语数据作为评测集合 。 其中测试图片大多来自于自然场景 , 例如广告牌、路标、海报等 。
PP-OCR 开发体验再升级
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 。
良心出品的中英文文档教程

数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具
文章图片

别的不需要多说了 , 大家访问 GitHub 点过 star 之后自己体验吧:
https://github.com/PaddlePaddle/PaddleOCR

数据|Github Star 7.2K,超级好用的OCR数据合成与半自动标注工具
文章图片

如果您加入官方 QQ 群 , 您将遇上大批志同道合的深度学习同学 。
官方 QQ 群:1108045677 。
如果您想详细了解更多飞桨的相关内容 , 请参阅以下文档 。
官网地址:https://www.paddlepaddle.org.cn
PaddleOCR 项目地址:
GitHub: https://github.com/PaddlePaddle/PaddleOCR
Gitee: https://gitee.com/paddlepaddle/PaddleOCR

    推荐阅读