霸榜Github：又一款OCR神器面世！

CVer 今天

点击上方“CVer”，选择加”星标“置顶

重磅干货，第一时间送达

导读
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8.5K；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；最近，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：在开源测试集评估，中文、英文、韩语、法语、德语、日文识别效果均优于 EasyOCR。
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 自去年6月开源以来，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 CVPR 2020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。

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。

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
Github：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

2、相同文字批量数据合成

3、图片分离前景背景

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：

怎么样，绝对是黑科技了吧。
这项能力核心算法是基于百度和华科合作研发的文本编辑算法《Editing Text in the Wild》: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：

文本前景风格迁移模块
背景抽取模块
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。

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
其中，部分多语言模型性能及功能（F1-Score）对比（仅 EasyOCR 提供）。

值得一提的是，目前已经有全球开发者通过 PR 或者 issue 的方式为 PaddleOCR 提供多语言的字典和语料，在 PaddleOCR 上已经完成了全球主流语言的广泛覆盖：包括中文简体、中文繁体、英文、法文、德文、韩文、日文、意大利文、西班牙文、葡萄牙文、俄罗斯文、阿拉伯文、印地文、维吾尔文、波斯文、乌尔都文、塞尔维亚文（latin）、欧西坦文、马拉地文、尼泊尔文、塞尔维亚文、保加利亚文、乌克兰文、白俄罗斯文、泰卢固文、卡纳达文、泰米尔文，也欢迎更多开发者可以参与共建。

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。