代码拉取完成,页面将自动刷新
同步操作将从 PaddlePaddle/PaddleOCR 强制同步,此操作会覆盖自 Fork 仓库以来所做的任何修改,且无法恢复!!!
确定后同步将在后台操作,完成时将刷新页面,请耐心等待。
本文给出了中英文OCR系列模型精度指标和在各平台预测耗时的benchmark。
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,下图给出了一些图像示例。
说明:
Intel至强6148
为服务器端CPU型号,测试中使用Intel MKL-DNN 加速。骁龙855
为移动端处理平台型号。预测模型大小和整体识别精度对比
模型名称 | 整体模型 大小(M) |
检测模型 大小(M) |
方向分类器 模型大小(M) |
识别模型 大小(M) |
整体识别 F-score |
---|---|---|---|---|---|
PP-OCRv2 | 11.6 | 3.0 | 0.9 | 8.6 | 0.5224 |
PP-OCR mobile | 8.1 | 2.6 | 0.9 | 4.6 | 0.503 |
PP-OCR server | 155.1 | 47.2 | 0.9 | 107 | 0.570 |
预测模型在CPU和GPU上的速度对比,单位ms
模型名称 | CPU | T4 GPU |
---|---|---|
PP-OCRv2 | 330 | 111 |
PP-OCR mobile | 356 | 11 6 |
PP-OCR server | 1056 | 200 |
更多 PP-OCR 系列模型的预测指标可以参考PP-OCR Benchmark
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。