# PaddleOCR 模型部署 PaddleOCR是集训练、预测、部署于一体的实用OCR工具库。本教程将介绍在安卓移动端部署PaddleOCR超轻量中文检测、识别模型的主要流程。 ## 1. 准备环境 ### 运行准备 - 电脑（编译Paddle-Lite） - 安卓手机（armv7或armv8） ### 1.1 准备交叉编译环境 交叉编译环境用于编译[Paddle-Lite](https://github.com/PaddlePaddle/Paddle-Lite)和PaddleOCR的C++ demo。 支持多种开发环境，不同开发环境的编译流程请参考对应文档。 1. [Docker](https://paddle-lite.readthedocs.io/zh/latest/user_guides/source_compile.html#docker) 2. [Linux](https://paddle-lite.readthedocs.io/zh/latest/user_guides/source_compile.html#android) 3. [MAC OS](https://paddle-lite.readthedocs.io/zh/latest/user_guides/source_compile.html#id13) 4. [Windows](https://paddle-lite.readthedocs.io/zh/latest/demo_guides/x86.html#windows) ### 1.2 准备预测库 预测库有两种获取方式： - 1. 直接下载，下载[链接](https://paddle-lite.readthedocs.io/zh/latest/user_guides/release_lib.html#android-toolchain-gcc). 注意选择`with_extra=ON，with_cv=ON`的下载链接。 - 2. 编译Paddle-Lite得到，Paddle-Lite的编译方式如下： ``` git clone https://github.com/PaddlePaddle/Paddle-Lite.git cd Paddle-Lite git checkout 2.6.1 ./lite/tools/build_android.sh --arch=armv8 --with_cv=ON --with_extra=ON ``` 注意：编译Paddle-Lite获得预测库时，需要打开`--with_cv=ON --with_extra=ON`两个选项，`--arch`表示`arm`版本，这里指定为armv8， 更多编译命令 介绍请参考[链接](https://paddle-lite.readthedocs.io/zh/latest/user_guides/Compile/Android.html#id2)。 直接下载预测库并解压后，可以得到`inference_lite_lib.android.armv8/`文件夹，通过编译Paddle-Lite得到的预测库位于 `Paddle-Lite/build.lite.android.armv8.gcc/inference_lite_lib.android.armv8/`文件夹下。 预测库的文件目录如下： ``` inference_lite_lib.android.armv8/ |-- cxx C++ 预测库和头文件 | |-- include C++ 头文件 | | |-- paddle_api.h | | |-- paddle_image_preprocess.h | | |-- paddle_lite_factory_helper.h | | |-- paddle_place.h | | |-- paddle_use_kernels.h | | |-- paddle_use_ops.h | | `-- paddle_use_passes.h | `-- lib C++预测库 | |-- libpaddle_api_light_bundled.a C++静态库 | `-- libpaddle_light_api_shared.so C++动态库 |-- java Java预测库 | |-- jar | | `-- PaddlePredictor.jar | |-- so | | `-- libpaddle_lite_jni.so | `-- src |-- demo C++和Java示例代码 | |-- cxx C++ 预测库demo | `-- java Java 预测库demo ``` ## 2 开始运行 ### 2.1 模型优化 Paddle-Lite 提供了多种策略来自动优化原始的模型，其中包括量化、子图融合、混合调度、Kernel优选等方法，使用Paddle-lite的opt工具可以自动 对inference模型进行优化，优化后的模型更轻量，模型运行速度更快。 下述表格中提供了优化好的超轻量中文模型： |模型简介|检测模型|识别模型|Paddle-Lite版本| |-|-|-|-| |超轻量级中文OCR opt优化模型|[下载地址](https://paddleocr.bj.bcebos.com/deploy/lite/ch_det_mv3_db_opt.nb)|[下载地址](https://paddleocr.bj.bcebos.com/deploy/lite/ch_rec_mv3_crnn_opt.nb)|2.6.1| 如果直接使用上述表格中的模型进行部署，可略过下述步骤，直接阅读 [2.2节](###2.2与手机联调)。 如果要部署的模型不在上述表格中，则需要按照如下步骤获得优化后的模型。 模型优化需要Paddle-Lite的opt可执行文件，可以通过编译Paddle-Lite源码获得，编译步骤如下： ``` # 如果准备环境时已经clone了Paddle-Lite，则不用重新clone Paddle-Lite git clone https://github.com/PaddlePaddle/Paddle-Lite.git cd Paddle-Lite git checkout 2.6.1 # 启动编译 ./lite/tools/build.sh build_optimize_tool ``` 编译完成后，opt文件位于`build.opt/lite/api/`下，可通过如下方式查看opt的运行选项和使用方式； ``` cd build.opt/lite/api/ ./opt ``` |选项|说明| |-|-| |--model_dir|待优化的PaddlePaddle模型（非combined形式）的路径| |--model_file|待优化的PaddlePaddle模型（combined形式）的网络结构文件路径| |--param_file|待优化的PaddlePaddle模型（combined形式）的权重文件路径| |--optimize_out_type|输出模型类型，目前支持两种类型：protobuf和naive_buffer，其中naive_buffer是一种更轻量级的序列化/反序列化实现。若您需要在mobile端执行模型预测，请将此选项设置为naive_buffer。默认为protobuf| |--optimize_out|优化模型的输出路径| |--valid_targets|指定模型可执行的backend，默认为arm。目前可支持x86、arm、opencl、npu、xpu，可以同时指定多个backend(以空格分隔)，Model Optimize Tool将会自动选择最佳方式。如果需要支持华为NPU（Kirin 810/990 Soc搭载的达芬奇架构NPU），应当设置为npu, arm| |--record_tailoring_info|当使用 根据模型裁剪库文件 功能时，则设置该选项为true，以记录优化后模型含有的kernel和OP信息，默认为false| `--model_dir`适用于待优化的模型是非combined方式，PaddleOCR的inference模型是combined方式，即模型结构和模型参数使用单独一个文件存储。 下面以PaddleOCR的超轻量中文模型为例，介绍使用编译好的opt文件完成inference模型到Paddle-Lite优化模型的转换。 ``` # 下载PaddleOCR的超轻量文inference模型，并解压 wget https://paddleocr.bj.bcebos.com/ch_models/ch_det_mv3_db_infer.tar && tar xf ch_det_mv3_db_infer.tar wget https://paddleocr.bj.bcebos.com/ch_models/ch_rec_mv3_crnn_infer.tar && tar xf ch_rec_mv3_crnn_infer.tar # 转换检测模型 ./opt --model_file=./ch_det_mv3_db/model --param_file=./ch_det_mv3_db/params --optimize_out_type=naive_buffer --optimize_out=./ch_det_mv3_db_opt --valid_targets=arm # 转换识别模型 ./opt --model_file=./ch_rec_mv3_crnn/model --param_file=./ch_rec_mv3_crnn/params --optimize_out_type=naive_buffer --optimize_out=./ch_rec_mv3_crnn_opt --valid_targets=arm ``` 转换成功后，当前目录下会多出`ch_det_mv3_db_opt.nb`, `ch_rec_mv3_crnn_opt.nb`结尾的文件，即是转换成功的模型文件。 注意：使用paddle-lite部署时，需要使用opt工具优化后的模型。 opt 转换的输入模型是paddle保存的inference模型 ### 2.2 与手机联调 首先需要进行一些准备工作。 1. 准备一台arm8的安卓手机，如果编译的预测库和opt文件是armv7，则需要arm7的手机，并修改Makefile中`ARM_ABI = arm7`。 2. 打开手机的USB调试选项，选择文件传输模式，连接电脑。 3. 电脑上安装adb工具，用于调试。在电脑终端中输入`adb devices`，如果有类似以下输出，则表示adb安装成功。 ``` List of devices attached 744be294 device ``` 4. 准备优化后的模型、预测库文件、测试图像和使用的字典文件。 在预测库`inference_lite_lib.android.armv8/demo/cxx/`下新建一个`ocr/`文件夹， 将PaddleOCR repo中`PaddleOCR/deploy/lite/` 下的除`readme.md`所有文件放在新建的ocr文件夹下。在`ocr`文件夹下新建一个`debug`文件夹， 将C++预测库so文件复制到debug文件夹下。 ``` # 进入OCR demo的工作目录 cd demo/cxx/ocr/ # 将C++预测动态库so文件复制到debug文件夹中 cp ../../../cxx/lib/libpaddle_light_api_shared.so ./debug/ ``` 准备测试图像，以`PaddleOCR/doc/imgs/12.jpg`为例，将测试的图像复制到`demo/cxx/ocr/debug/`文件夹下。 准备字典文件，中文超轻量模型的字典文件是`PaddleOCR/ppocr/utils/ppocr_keys_v1.txt`，将其复制到`demo/cxx/ocr/debug/`文件夹下。 执行完成后，ocr文件夹下将有如下文件格式： ``` demo/cxx/ocr/ |-- debug/ | |--ch_det_mv3_db_opt.nb 优化后的检测模型文件 | |--ch_rec_mv3_crnn_opt.nb 优化后的识别模型文件 | |--12.jpg 待测试图像 | |--ppocr_keys_v1.txt 字典文件 | |--libpaddle_light_api_shared.so C++预测库文件 |-- utils/ | |-- clipper.cpp Clipper库的cpp文件 | |-- clipper.hpp Clipper库的hpp文件 | |-- crnn_process.cpp 识别模型CRNN的预处理和后处理cpp文件 | |-- db_post_process.cpp 检测模型DB的后处理cpp文件 |-- Makefile 编译文件 |-- ocr_db_crnn.cc C++预测源文件 ``` 5. 启动调试 上述步骤完成后就可以使用adb将文件push到手机上运行，步骤如下： ``` # 执行编译，得到可执行文件ocr_db_crnn # ocr_db_crnn可执行文件的使用方式为: # ./ocr_db_crnn 检测模型文件 识别模型文件 测试图像路径 make # 将编译的可执行文件移动到debug文件夹中 mv ocr_db_crnn ./debug/ # 将debug文件夹push到手机上 adb push debug /data/local/tmp/ adb shell cd /data/local/tmp/debug export LD_LIBRARY_PATH=/data/local/tmp/debug:$LD_LIBRARY_PATH ./ocr_db_crnn ch_det_mv3_db_opt.nb ch_rec_mv3_crnn_opt.nb ./12.jpg ``` 如果对代码做了修改，则需要重新编译并push到手机上。