2. 下载中英文超轻量文本识别模型 ch_PP-OCRv3_xx ch_PP-OCRv3_xx 下载地址如下: 检测模型:https://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_det_infer.tar 识别模型:https://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_rec_
PP-OCR中选择MobileNetV3_large_x0.5对效果和效率进行折中。选择这个骨干网络,HMean是61.27%,模型大小是7M,CPU上平均预测速度是406ms。 表1 文本检测使用不同尺度的MobileNetV3的效果 3. 头部轻量化 DB文本检测的头部是类似目标检测中FPN的网络结构。融合了多个分辨率的特征图,提升对不同尺度目标的检测效果。为了...
但是MobileNetV3里面不仅只有ReLU激活函数,还有hard_swish,原始的PACT导致比较高的量化误差。因此,PP-OCR使用的PACT量化方法是进行了如下改进,进行两个方向的截断,从而降低量化误差。 从表2可以看出,使用PACT量化,模型大小从0.85M减小到0.46M,预测速度从3.21ms加速到2.38ms,加速明显,识别准确率基本没有影响。上述改进的...
使用单个T4 GPU卡测试GPU时间,Intel(R) Xeon(R) Gold 6148 处理器测试CPU时间,骁龙855在手机上测试量化模型时间。 2.超轻量骨干网络选择 和文本检测类似,PP-OCR也是采用MobileNetV3作为文本识别的骨干网络。表1对比了不同骨干网络的文本识别效果。PP-OCR中选择MobileNetV3_small_x0.5对效果和效率进行折中。如果对...
对比mobilenetv3,识别准确率可比情况下,CPU上可以加速38%。实验表明,与PP-OCR的文本识别相比,将骨干网络从mv3换成PP-LCNet,识别准确率提升2.6%。 (4)识别模型优化2:U-DML 知识蒸馏策略。U-DML是在标准的DML知识蒸馏的基础上,新增引入了对于Feature Map的监督机制,新增Feature Loss,增加迭代次数,在Head部分增加...
2. 下载中英文超轻量文本识别模型 ch_PP-OCRv3_xx ch_PP-OCRv3_xx 下载地址如下: 检测模型:https://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_det_infer.tar 识别模型:https://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_rec_infer.tar 有一点需要说明的是,这里我们下载都...