Mac arm启动Paddle Ocr记录（速度很慢不建议尝试）

截图

使用教程

# OCR Demo Project

这是一个基于PaddleOCR的OCR识别项目。

## 项目依赖

项目使用以下特定版本的依赖以确保兼容性：

- `paddlepaddle==2.6.0`
- `paddleocr==2.7.3`
- `numpy<2` (由于OpenCV等库与NumPy 2.x存在兼容性问题)

## 安装依赖

请使用以下命令安装项目依赖：

```bash
pip install -r requirements.txt
```

注意：NumPy版本必须低于2.0，因为OpenCV和其他依赖库与NumPy 2.x存在兼容性问题。

## 运行项目

使用以下命令运行项目：

```bash
python main.py
```

项目将在 `http://0.0.0.0:8888` 启动服务。

## API接口

### OCR识别接口

- URL: `/ocr`
- 方法: POST
- 参数: JSON格式，包含 `imgPath` 字段，值为图片路径
- 返回: JSON格式的OCR识别结果

示例请求:
```json
{
  "imgPath": "/path/to/your/image.jpg"
}
```

## 性能优化

为了提高OCR识别速度，项目采用了以下优化措施：

1. 使用PP-OCRv3模型版本，相比v4版本速度更快
2. 禁用角度分类器（use_angle_cls=False），除非需要识别180度旋转的文本
3. 限制图像最大边长为960像素以加快处理速度
4. 关闭GPU使用（use_gpu=False），在Mac系统上更稳定且避免GPU初始化开销
5. 减少日志输出（show_log=False）
6. 启用多线程处理（cpu_threads参数），充分利用系统CPU资源
7. 增加文本识别批处理数量（rec_batch_num=10），提高批量处理效率
8. 调整检测阈值参数以平衡速度和准确率
9. 明确设置参数以消除警告信息

## 注意事项

1. 项目强制使用CPU运行（`use_gpu=False`），以避免在Mac系统上的段错误问题。
2. 如果遇到NumPy兼容性问题，请确保NumPy版本低于2.0。
3. 项目会自动下载OCR模型文件到用户目录下的 `.paddleocr` 文件夹中。
4. 默认禁用了角度分类器以提高处理速度，如有需要处理旋转文本的需求，可以启用该功能。
5. 通过明确设置参数，消除了"angle classifier is not initialized"的警告信息。
6. 在调用OCR时明确设置`cls=False`，避免运行时出现角度分类器相关警告。

注意事项

paddlepaddle和paddleocr版本要固定

paddlepaddle==2.6.0
paddleocr==2.7.3
numpy<2

脚本代码

import logging
import os

from flask import Flask, request, json, jsonify
from paddleocr import PaddleOCR


def init_log():
    logging.basicConfig(format='%(asctime)s  %(filename)s  %(levelname)s %(message)s', datefmt='%a-%d-%b %Y %H:%M:%S',
                        level=logging.INFO)
    file_handler = logging.FileHandler("ocr.log", encoding="utf-8")
    file_handler.setLevel(logging.INFO)
    file_handler.setFormatter(logging.Formatter('%(asctime)s - %(filename)s - %(levelname)s - %(message)s'))
    logger = logging.getLogger()
    logger.handlers.append(file_handler)


init_log()

app = Flask(__name__)

# 获取CPU核心数，用于设置线程数
cpu_threads = os.cpu_count() if os.cpu_count() else 4

# 初始化OCR引擎，使用优化参数提高性能
# use_gpu=False 在Mac上更稳定，避免GPU初始化开销
# show_log=False 减少日志输出
# use_angle_cls=False 如果不需要处理180度旋转文本可以关闭以提高速度
# ocr_version="PP-OCRv3" 使用更快的模型版本
# 启用多线程处理以充分利用系统资源
ocr = PaddleOCR(
    use_angle_cls=False, 
    use_gpu=False,
    show_log=False,
    ocr_version="PP-OCRv3",
    # 限制图像尺寸以提高处理速度
    det_limit_side_len=960,
    det_limit_type='max',
    # 启用多线程处理
    det_db_score_mode="slow",
    cpu_threads=cpu_threads,
    # 文本识别参数
    rec_batch_num=10,
    # 明确禁用角度分类器以消除警告
    use_textline_orientation=False,
    # 其他优化参数
    det_db_thresh=0.3,
    det_db_box_thresh=0.5,
    det_db_unclip_ratio=1.5,
    det_cls_batch_num=10,
    drop_score=0.5
)


# 通过POST方式识别图片,传入参数为图片的路径
@app.route('/ocr', methods=['POST'])
def learn_post_ocr():
    try:
        data = json.loads(request.data)
        img_path = data['imgPath']
        logging.info('ocr imgPath: %s', img_path)
        # 明确设置cls=False以避免角度分类器警告
        ocr_result = ocr.ocr(img_path, cls=False)
        return jsonify({"code": 0, "msg": "ok", "data": ocr_result}), 200
    except Exception as e:
        logging.error('ocr error: %s', str(e))
        ocr_result = {"code": -1, "msg": str(e)}
        return jsonify(ocr_result), 200


if __name__ == '__main__':
    # 可以返回中文字符
    app.config['JSON_AS_ASCII'] = False
    app.run(host='0.0.0.0', debug=True, port=8888)