# 推理部署导航
飞桨除了基本的模型训练和预测，还提供了支持多端多平台的高性能推理部署工具。本文档提供了PaddleOCR中所有模型的推理部署导航，方便用户查阅每种模型的推理部署打通情况，并可以进行一键测试。
打通情况分为以下四种情况：
- **支持**：可以一键测试
- **未接入**：PaddleOCR已支持该功能，但还未接入一键测试
- **未覆盖**：PaddleOCR未进行打通测试，也没有接入一键测试
- **不支持**：由于飞桨框架限制，暂时无法支持该功能
| 模型名称 | 算法名称 | 模型类型 |python训练预测 | c++预测 | serving部署 | lite部署 |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
|ch_ppocr_mobile_v2.0_det_infer| DB | 检测 | 支持 | 支持 | 支持 | 支持 |
|ch_ppocr_mobile_v2.0_rec_infer| CRNN | 识别 | 支持 | 支持 | 支持 | 支持 |
|ch_ppocr_server_v2.0_det_infer| DB | 检测 | 支持 | 支持 | 支持 | 支持 |
|ch_ppocr_server_v2.0_rec_infer| CRNN | 识别 | 支持 | 支持 | 支持 | 支持 |
|ch_PP-OCRv2_det_infer | DB | 检测 | 未接入 | 未接入 |未接入 |未接入 |
|ch_PP-OCRv2_rec_infer | CRNN | 识别 | 未接入 | 未接入 |未接入 |未接入 |
|det_mv3_db_v2.0 | DB | 检测 | 未接入 | 未接入 |未接入 |未接入 |
|det_r50_vd_db_v2.0 | DB | 检测 | 未接入 | 未接入 |未接入 |未接入 |
|det_mv3_east_v2.0 | EAST | 检测 | 未接入 | 未覆盖 | 未接入 | 未覆盖 |
|det_r50_vd_east_v2.0 | EAST | 检测 | 未接入 | 未覆盖 | 未接入 | 未覆盖 |
|det_mv3_pse_v2.0 | PSENet | 检测 | 未接入 | 未覆盖 | 未接入 | 未覆盖 |
|det_r50_vd_pse_v2.0 | PSENet | 检测 | 未接入 | 未覆盖 | 未覆盖 | 未覆盖 |
|det_r50_vd_sast_totaltext_v2.0| SAST | 检测 | 未接入 | 未覆盖 | 未覆盖 | 未覆盖 |
|rec_mv3_none_none_ctc_v2.0 | Rosetta| 识别 |
|rec_r34_vd_none_none_ctc_v2.0 | Rosetta| 识别 |
|rec_mv3_none_bilstm_ctc_v2.0 | CRNN | 识别 |
|rec_r34_vd_none_bilstm_ctc_v2.0| CRNN | 识别 |
|rec_mv3_tps_bilstm_ctc_v2.0 | StarNet| 识别 |
|rec_r34_vd_tps_bilstm_ctc_v2.0 | StarNet| 识别 |
|rec_mv3_tps_bilstm_att_v2.0 | RARE | 识别 |
|rec_r34_vd_tps_bilstm_att_v2.0 | RARE | 识别 |
|rec_r50fpn_vd_none_srn | SRN | 识别 |
|rec_mtb_nrtr | NRTR | 识别 |
|rec_r31_sar | SAR | 识别 |
|rec_r34_vd_none_none_ctc_v2.0 | PGNet | 端到端|
## 一键测试工具使用
### 目录介绍
```shell
tests/
├── configs/ # 配置文件目录
├── det_mv3_db.yml # 测试mobile版ppocr检测模型训练的yml文件
├── det_r50_vd_db.yml # 测试server版ppocr检测模型训练的yml文件
├── rec_icdar15_r34_train.yml # 测试server版ppocr识别模型训练的yml文件
├── ppocr_sys_mobile_params.txt # 测试mobile版ppocr检测+识别模型串联的参数配置文件
├── ppocr_det_mobile_params.txt # 测试mobile版ppocr检测模型的参数配置文件
├── ppocr_rec_mobile_params.txt # 测试mobile版ppocr识别模型的参数配置文件
├── ppocr_sys_server_params.txt # 测试server版ppocr检测+识别模型串联的参数配置文件
├── ppocr_det_server_params.txt # 测试server版ppocr检测模型的参数配置文件
├── ppocr_rec_server_params.txt # 测试server版ppocr识别模型的参数配置文件
├── ...
├── results/ # 预先保存的预测结果，用于和实际预测结果进行精读比对
├── ppocr_det_mobile_results_fp32.txt # 预存的mobile版ppocr检测模型fp32精度的结果
├── ppocr_det_mobile_results_fp16.txt # 预存的mobile版ppocr检测模型fp16精度的结果
├── ppocr_det_mobile_results_fp32_cpp.txt # 预存的mobile版ppocr检测模型c++预测的fp32精度的结果
├── ppocr_det_mobile_results_fp16_cpp.txt # 预存的mobile版ppocr检测模型c++预测的fp16精度的结果
├── ...
├── prepare.sh # 完成test_*.sh运行所需要的数据和模型下载
├── test_python.sh # 测试python训练预测的主程序
├── test_cpp.sh # 测试c++预测的主程序
├── test_serving.sh # 测试serving部署预测的主程序
├── test_lite.sh # 测试lite部署预测的主程序
├── compare_results.py # 用于对比log中的预测结果与results中的预存结果精度误差是否在限定范围内
└── readme.md # 使用文档
```
### 测试流程
使用本工具，可以测试不同功能的支持情况，以及预测结果是否对齐，测试流程如下：
1. 运行prepare.sh准备测试所需数据和模型；
2. 运行要测试的功能对应的测试脚本`test_*.sh`，产出log，由log可以看到不同配置是否运行成功；
3. 【可选】用`compare_results.py`对比log中的预测结果和预存在results目录下的结果，判断预测精度是否符合预期（在误差范围内）。
其中，有4个测试主程序，功能如下：
- `test_python.sh`：测试基于Python的模型训练、评估、推理等基本功能，包括裁剪、量化、蒸馏。
- `test_cpp.sh`：测试基于C++的模型推理。
- `test_serving.sh`：测试基于Paddle Serving的服务化部署功能。
- `test_lite.sh`：测试基于Paddle-Lite的端侧预测部署功能。
各功能测试中涉及GPU/CPU、mkldnn、Tensorrt等多种参数配置，点击相应链接了解更多细节和使用教程：
[test_python使用](docs/test_python.md)
[test_cpp使用](docs/test_cpp.md)
[test_serving使用](docs/test_serving.md)
[test_lite使用](docs/test_lite.md)
