《PaddleOCR》—— OCR

文章目录

• • PaddleOCR简介
  • 核心功能与特点
  • 快速安装与使用
  • 典型应用场景
  • 实例

PaddleOCR简介

PaddleOCR 是百度基于飞桨（PaddlePaddle）框架开源的全场景文字识别工具，支持多语言、多场景、高精度的 OCR 能力，覆盖文本检测、识别、方向分类等全流程，广泛应用于文档扫描、车牌识别、票据处理、工业质检等场景。

核心功能与特点

• 全流程覆盖
  • 检测：支持任意形状文本（弯曲、多方向），基于 DB、EAST 等算法。
  • 识别：支持中文（简 / 繁）、英文、日文、韩文、越南文等 80+ 语言，含高精度轻量模型（如 CRNN、SVTR）。
  • 方向分类：自动纠正文本方向（0°/90°/180°/270°）。
  • 端到端：单模型完成检测 + 识别，支持竖排文本、长文本。
• 多场景适配
  • 通用文档、手写体、屏幕截图、低光照 / 模糊图片、小语种（如阿拉伯文、西里尔字母）。
  • 工业级优化：支持极小文本（3px）、复杂背景（如表格、海报）。
• 高性能与轻量化
  • 提供超轻量模型（检测 3.5M + 识别 6.6M），CPU 端实时推理（Python 版本单张图 <0.5s）。
  • 支持 GPU 加速，CUDA 环境下速度提升 5-10 倍。
• 开源与生态
  • 代码开源（GitHub 星标超 28k），提供预训练模型、数据增强工具（如 PP-OCRv4 数据合成）。
  • 支持自定义训练：提供标注工具（PaddleLabel）、迁移学习方案。

快速安装与使用

• 安装

# 安装 PaddleOCR（CPU 版本）
pip3 install "paddleocr>=2.6.0"

# 安装 GPU 版本（需 CUDA 11.2+）
pip3 install "paddleocr>=2.6.0" -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

• 命令行一键识别

paddleocr --image_dir "test.jpg" --use_angle_cls true --lang ch
# 参数说明：
# --use_angle_cls：开启方向分类（默认关闭）
# --lang：语言类型（ch=中文, en=英文, japan=日文等，默认 ch）

• Python API 调用

from paddleocr import PaddleOCR, draw_ocr

# 初始化（自动下载模型，首次运行需联网）
ocr = PaddleOCR(use_angle_cls=True, lang='ch')  # 可指定 use_gpu=False 强制 CPU

# 预测
result = ocr.ocr("test.jpg", cls=True)

# 输出结果（格式：[[bbox], 文本, 置信度]）
for line in result[0]:
    print(line[1][0])  # 提取文本

# 可视化结果
from PIL import Image
image = Image.open("test.jpg").convert('RGB')
boxes = [line[0] for line in result[0]]
txts = [line[1][0] for line in result[0]]
scores = [line[1][1] for line in result[0]]
im_show = draw_ocr(image, boxes, txts, scores)
im_show = Image.fromarray(im_show)
im_show.save('result.jpg')

典型应用场景

1、 文档处理：合同 / 发票扫描、表格文字提取（支持竖排、多列）。

2、场景文字：路标、广告牌、商品标签识别（如 PaddleOCR 曾用于淘宝拍照搜题）。

3、工业质检：PCB 字符检测、仪表盘数字识别。

4、移动端：手机相册 OCR（微信 / 支付宝扫码、翻译软件）。

5、古籍数字化：竖排古文、泛黄纸张文字恢复（结合图像增强算法）

实例

对摄像头中获取的文字进行OCR处理：

如图设计页面

一个按键、一个文本框、一个标签框

按键用来写控制函数，控制文本框和标签框。

代码：

这段代码的主要功能是创建一个基于 PyQt5 的图形用户界面，通过按钮控制摄像头的打开和关闭。当摄像头打开时，定时获取摄像头的帧图像，将其显示在界面上，并使用 PaddleOCR 对图像进行文字识别，将识别结果显示在文本编辑框中。

# 导入joblib库，用于保存和加载Python对象，在机器学习模型保存和加载时常用
import joblib
# 导入OpenCV库，用于计算机视觉任务，如图像和视频处理
import cv2
# 从paddleocr模块导入PaddleOCR类，用于进行光学字符识别（OCR）
from paddleocr import PaddleOCR
# 导入NumPy库，用于科学计算和数组操作
import numpy as np
# 从PyQt5库导入QtCore、QtGui和QtWidgets模块，用于创建图形用户界面（GUI）
from PyQt5 import QtCore, QtGui, QtWidgets
# 从PyQt5.QtCore模块导入所有内容，方便使用其中的类和函数，如信号与槽机制、定时器等
from PyQt5.QtCore import *
# 从PyQt5.QtGui模块导入所有内容，用于处理图形、图像和字体等
from PyQt5.QtGui import *
# 从PyQt5.QtWidgets模块导入QFileDialog、QMainWindow和QMessageBox类
# QFileDialog用于文件选择对话框，QMainWindow是主窗口的基类，QMessageBox用于显示消息框
from PyQt5.QtWidgets import QFileDialog, QMainWindow, QMessageBox
'''QFileDialog可以帮助用户选择文件路径
QMainWindow则是创建具有菜单、工具栏和状态栏的主窗口的起点。
QMessageBox可以用于向用户显示提示或警告信息'''

# 从ocr模块导入Ui_MainWindow类，该类可能是使用Qt Designer设计的主窗口界面类
from ocr import Ui_MainWindow
# 导入sys模块，用于访问与Python解释器紧密相关的变量和函数，如命令行参数
import sys

# 定义一个继承自QMainWindow和Ui_MainWindow的类，用于创建主窗口
class PyQtMainEntry(QMainWindow, Ui_MainWindow):
    def __init__(self):
        # 调用父类的构造函数，进行初始化
        super().__init__()
        # 调用setupUi方法，根据Ui_MainWindow类中的设计设置界面
        self.setupUi(self)
        # 创建一个PaddleOCR对象，设置使用角度分类、使用GPU加速、不显示日志信息，语言为英文
        self.ocr = PaddleOCR(use_angle_cls=True, use_gpu=True, show_log=False, lang='en')
        # 打开编号为0的摄像头，用于视频捕获
        self.camera1 = cv2.VideoCapture(0)
        # 初始化摄像头打开状态为False，表示摄像头未打开
        self.is_camera_opened = False
        # 创建一个Qt定时器对象，用于定时触发事件
        self._timer = QtCore.QTimer(self)
        # 当定时器超时时，连接到_queryFrame方法，即定时调用_queryFrame方法
        self._timer.timeout.connect(self._queryFrame)
        # 设置定时器的间隔时间为30毫秒，即每30毫秒触发一次超时事件
        self._timer.setInterval(30)

    # 定义一个槽函数，用于处理打开或关闭摄像头的操作
    def slot1(self):
        # 切换摄像头打开状态
        self.is_camera_opened = not self.is_camera_opened
        if self.is_camera_opened:
            # 如果摄像头打开，修改按钮文本为"关闭"
            self.pushButton.setText('关闭')
            # 启动定时器，开始定时获取摄像头帧
            self._timer.start()
        else:
            # 如果摄像头关闭，修改按钮文本为"打开"
            self.pushButton.setText('打开')
            # 停止定时器，停止获取摄像头帧
            self._timer.stop()

    # 定义一个方法，用于定时查询摄像头帧并进行OCR识别
    def _queryFrame(self):
        # 从摄像头读取一帧图像，ret1表示是否成功读取，self.frame1为读取的图像
        ret1, self.frame1 = self.camera1.read()
        # 将读取的图像调整为640x480的大小
        self.frame1 = cv2.resize(self.frame1, (640, 480))
        if ret1:
            # 如果成功读取到图像，将图像从BGR颜色空间转换为RGB颜色空间
            qimage = cv2.cvtColor(self.frame1, cv2.COLOR_BGR2RGB)
            # 将转换后的图像数据封装为QtGui.QImage对象
            qimage = QtGui.QImage(qimage.data, qimage.shape[1], qimage.shape[0],
                                  QtGui.QImage.Format_RGB888)
            # 将QImage对象转换为QPixmap对象
            pixmap = QtGui.QPixmap.fromImage(qimage)
            # 将QPixmap对象设置到名为label的标签上进行显示
            self.label.setPixmap(pixmap)
        # 使用PaddleOCR对象对当前帧图像进行OCR识别，返回识别结果
        result = self.ocr.ocr(self.frame1, cls=True)
        # 初始化一个空列表，用于存储识别出的文本
        a_list = []
        # 遍历识别结果中的每一项
        for i in result[0]:
            # 将每一项中的文本添加到列表中
            a_list.append(i[1][0])
        # 将列表中的文本用换行符连接成一个字符串
        zz = '\n'.join(a_list)
        # 将连接后的字符串显示在名为textEdit的文本编辑框中
        self.textEdit.setText(zz)

# 程序的入口点
if __name__ == "__main__":
    # 创建一个Qt应用程序实例，传入命令行参数
    app = QtWidgets.QApplication(sys.argv)
    # 创建主窗口实例
    window = PyQtMainEntry()
    # 显示主窗口
    window.show()
    # 进入应用程序的事件循环，等待用户操作，直到窗口关闭，然后退出程序
    sys.exit(app.exec_())

可以看出准确率还是很高的。