背景
数据集有限，使用paddleOCR直接识别准确率无法达到99%，这里尝试用目标检测对识别得分比较低的图片进行二次处理；
类别数目：数字（10）+字母（26）+字符（2）= 38
数据集标注跟训练过程这里使用自己开发的软件；
标注格式与labelimg一致，使用官网方法训练效果也一样；yolo目标检测官网
具体参考官方代码，这里记录注意事项（VS2019 + Qt）；
推理参考：https://github.com/ultralytics/ultralytics/tree/main/examples
一、使用OpenCV的DNN
二、ONNXRuntime
三、Libtorch
libtorch 1.13.0
cpu-release：
https://download.pytorch.org/libtorch/cpu/libtorch-win-shared-with-deps-1.13.0%2Bcpu.zip
bash
opencv_world490.lib
asmjit.lib
c10.lib
clog.lib
torch.lib
torch_cpu.lib报错：#error: Macro clash with min and max -- define NOMINMAX when compiling your program on Windows
解决：Qt的slot冲突
注意把#include <torch/torch.h>放到include "opencv.hpp"前面，不然也会冲突报错。
四、OpenVINO
没有试，转换时需要先转为onnx再转为openvino 下载OpenVINO™ toolkit
问题：如图，针对同一张图片，上图为python直接预测的结果，下图为OpenCV的DNN推理结果（ONNXRuntime也和下图差不多），和结果差异很大，原因未知。
最后使用Libtorch推理，效果可以。
