解鎖 PaddleOCR 的超能力
光學字符識別（OCR）是一項強大的技術，使機器能夠從圖像或掃描文檔中識別和提取文本。OCR 在各個領域都有應用，包括文件數字化、從圖像中提取文本以及基于文本的數據分析。在本文中，我們將探討如何使用 PaddleOCR，一款基于深度學習的先進OCR工具包，進行文本檢測和識別任務。我們將逐步演示一個代碼片段，展示了整個過程。
一、先決條件
在我們深入代碼之前，讓我們確保我們已經準備好運行 PaddleOCR 庫。確保您的計算機上安裝了以下必要先決條件：
- Python（3.6 或更高版本）
- PaddleOCR 庫
- 其他必要的依賴項（例如 NumPy、pandas 等）
您可以使用以下 pip 命令安裝 PaddleOCR：
pip install paddleocr二、設置 PaddleOCR
一旦您安裝了 Python 和所需的庫，我們來設置 PaddleOCR。您可以使用 PaddleOCR 的預訓練模型，這些模型可用于文本檢測和識別。
使用 PaddleOCR 進行文本檢測和識別的代碼片段包括以下主要組件：
- 圖像預處理：加載輸入圖像并執行必要的預處理步驟，例如調整大小或歸一化。
- 文本檢測：使用 PaddleOCR 文本檢測模型來定位輸入圖像中文本區域的邊界框。
- 文本識別：對于每個檢測到的邊界框，使用 PaddleOCR 文本識別模型來提取相應的文本。
- 后處理：整理檢測到的文本和識別結果以進行進一步分析或顯示。
三、逐步實現
讓我們分解代碼片段，詳細解釋每個步驟：
1.文本檢測
該代碼是一個名為 DecMain 的類的一部分，該類專為使用真實數據進行光學字符識別（OCR）評估而設計。它使用 PaddleOCR 從圖像中提取文本，然后計算指標（如準確率、召回率和字符錯誤率 [CER]）來評估 OCR 系統的性能。
class DecMain:
def __init__(self, image_folder_path, label_file_path, output_file):
self.image_folder_path = image_folder_path
self.label_file_path = label_file_path
self.output_file = output_file
def run_dec(self):
# Check and update the ground truth file
CheckAndUpdateGroundTruth(self.label_file_path).check_and_update_ground_truth_file()
df = OcrToDf(image_folder=self.image_folder_path, label_file=self.label_file_path, det=True, rec=True, cls=False).ocr_to_df()
ground_truth_data = ReadGroundTruthFile(self.label_file_path).read_ground_truth_file()
# Get the extracted text as a list of dictionaries (representing the OCR results)
ocr_results = df.to_dict(orient="records")
# Calculate precision, recall, and CER
precision, recall, total_samples = CalculateMetrics(ground_truth_data, ocr_results).calculate_precision_recall()
CreateSheet(dataframe=df, precision=precision, recall=recall, total_samples=total_samples,
file_name=self.output_file).create_sheet()讓我們分解代碼并解釋每個部分：
class DecMain:
def __init__(self, image_folder_path, label_file_path, output_file):
self.image_folder_path = image_folder_path
self.label_file_path = label_file_path
self.output_file = output_fileDecMain 類有一個 __init__方法，用以下參數初始化對象：
- image_folder_path：用于 OCR 的輸入圖像所在文件夾的路徑。
- label_file_path：包含圖像的實際文本內容的真實標簽文件的路徑。
- output_file：評估結果將保存在的輸出文件的文件名。
def run_dec(self):
# Check and update the ground truth file
CheckAndUpdateGroundTruth(self.label_file_path).check_and_update_ground_truth_file()run_dec方法負責運行 OCR 評估過程。首先，它使用 CheckAndUpdateGroundTruth 類來檢查并更新真實標簽文件。
df = OcrToDf(image_folder=self.image_folder_path, label_file=self.label_file_path, det=True, rec=True, cls=False).ocr_to_df()OcrToDf 類用于將 OCR 結果轉換為 pandas DataFrame（df）。它接受以下參數：
- image_folder：包含 OCR 輸入圖像的文件夾的路徑。
- label_file：真實標簽文件的路徑。
- det=True和 rec=True參數表示 DataFrame 將包含文本檢測和識別結果。
ground_truth_data = ReadGroundTruthFile(self.label_file_path).read_ground_truth_file()ReadGroundTruthFile 類用于讀取真實標簽文件并將其內容加載到 ground_truth_data變量中。
# Get the extracted text as a list of dictionaries (representing the OCR results)
ocr_results = df.to_dict(orient="records")從 DataFrame df 中獲取的 OCR 結果轉換為字典列表（ocr_results），每個字典代表單個圖像的 OCR 結果。
# Calculate precision, recall, and CER
precision, recall, total_samples = CalculateMetrics(groun
d_truth_data, ocr_results).calculate_precision_recall()CalculateMetrics 類用于計算 OCR 評估指標：準確率、召回率和評估的總樣本數。該類將真實數據和 OCR 結果作為輸入。
CreateSheet(dataframe=df, precision=precision, recall=recall, total_samples=total_samples,
file_name=self.output_file).create_sheet()CreateSheet 類負責創建輸出表格（例如 Excel 或 CSV），其中包含評估指標和 OCR 結果。它接受 DataFrame df、準確率、召回率、總樣本數和輸出文件名作為輸入。
總的來說，DecMain 類提供了一種有條理的方式，使用真實數據和 PaddleOCR 的文本檢測和識別功能來評估 OCR 模型的性能。它計算重要的評估指標，并將結果存儲在指定的輸出文件中，以供進一步分析。
2.注意：真實標簽文件的格式
要使用 DecMain 類和提供的代碼進行 OCR 評估，必須正確格式化真實標簽文件。真實標簽文件應采用 JSON 格式，其結構如下所示：
image_name.jpg [{"transcription": "215mm 18", "points": [[199, 6], [357, 6], [357, 33], [199, 33]], "difficult": False, "key_cls": "digits"}, {"transcription": "XZE SA", "points": [[15, 6], [140, 6], [140, 36], [15, 36]], "difficult": False, "key_cls": "text"}]
真實標簽文件應為 JSON 格式。文件的每一行代表圖像的 OCR 真實標簽。
每一行包含圖像的文件名，后跟 JSON 對象形式的該圖像的 OCR 結果。
JSON 對象應具有以下幾點：
- "transcription"：圖像的真實文本轉錄。
- "points"：表示圖像中文本區域邊界框坐標的四個點的列表。
- "difficult"：一個布爾值，指示文本區域是否難以識別。
- "key_cls"：OCR 結果的類別標簽，例如 "digits" 或 "text"。
在創建用于準確評估 OCR 模型性能的真實標簽文件時，請確保遵循此格式。
3.文本識別
代碼定義了一個名為 RecMain 的類，該類旨在使用預訓練的 OCR 模型在圖像文件夾上運行文本識別（OCR）并生成一個評估 Excel 表格。
class RecMain:
def __init__(self, image_folder, rec_file, output_file):
self.image_folder = image_folder
self.rec_file = rec_file
self.output_file = output_file
def run_rec(self):
image_paths = GetImagePathsFromFolder(self.image_folder, self.rec_file). \
get_image_paths_from_folder()
ocr_model = LoadRecModel().load_model()
results = ProcessImages(ocr=ocr_model, image_paths=image_paths).process_images()
ground_truth_data = ConvertTextToDict(self.rec_file).convert_txt_to_dict()
model_predictions, ground_truth_texts, image_names, precision, recall, \
overall_model_precision, overall_model_recall, cer_data_list = EvaluateRecModel(results,
ground_truth_data).evaluate_model()
# Create Excel sheet
CreateMetricExcel(image_names, model_predictions, ground_truth_texts,
precision, recall, cer_data_list, overall_model_precision, overall_model_recall,
self.output_file).create_excel_sheet()讓我們分解代碼并解釋每個部分：
class RecMain:
def __init__(self, image_folder, rec_file, output_file):
self.image_folder = image_folder
self.rec_file = rec_file
self.output_file = output_fileRecMain類有一個__init__方法，用以下參數初始化對象：
- image_folder: 包含用于文本識別的輸入圖像的文件夾路徑。
- rec_file: 包含圖像實際文本內容的地面真實標簽文件的路徑。
- output_file: 保存評估結果的輸出Excel表格的文件名。
def run_rec(self):
image_paths = GetImagePathsFromFolder(self.image_folder, self.rec_file).get_image_paths_from_folder()run_rec方法負責運行文本識別過程。它首先使用GetImagePathsFromFolder類來獲取指定image_folder內所有圖像的圖像路徑列表。這一步確保OCR模型將處理給定目錄內的所有圖像。
ocr_model = LoadRecModel().load_model()LoadRecModel類用于加載用于文本識別的預訓練OCR模型。它可能使用PaddleOCR或其他OCR庫來加載模型。
results = ProcessImages(ocr=ocr_model, image_paths=image_paths).process_images()ProcessImages類負責使用加載的OCR模型來處理圖像。它以OCR模型（ocr_model）和圖像路徑列表（image_paths）作為輸入。
ground_truth_data = ConvertTextToDict(self.rec_file).convert_txt_to_dict()ConvertTextToDict類用于讀取地面實況標簽文件并將其轉換為字典格式（ground_truth_data）。這一轉換準備了地面實況數據，以便與OCR模型的預測進行比較。
model_predictions, ground_truth_texts, image_names, precision, recall, \
overall_model_precision, overall_model_recall, cer_data_list = EvaluateRecModel(results,
ground_truth_data).evaluate_model()EvaluateRecModel類負責將OCR模型的預測與地面實況數據進行比較，并計算評估指標，如精度、召回率和字符錯誤率（CER）。它以OCR模型的預測（results）和地面實況數據（ground_truth_data）作為輸入。
# Create Excel sheet
CreateMetricExcel(image_names, model_predictions, ground_truth_texts,
precision, recall, cer_data_list, overall_model_precision, overall_model_recall,
self.output_file).create_excel_sheet()CreateMetricExcel類負責創建包含評估指標和OCR結果的輸出Excel表。它接受各種輸入數據，包括圖像名稱、模型預測、地面實況文本、評估指標和輸出文件名（self.output_file）。
總之，RecMain類組織了整個文本識別過程，從加載OCR模型到生成包含詳細指標的評估Excel表。它提供了一種有組織和可重復使用的方法，用于評估OCR模型在給定一組圖像上的性能。
注：地面實況文本文件格式
使用RecMain類和提供的代碼進行OCR評估時，正確格式化地面實況（GT）文本文件至關重要。GT文本文件應采用以下格式：
image_name.jpg text
文件的每一行表示一個圖像的GT文本。
每一行包含圖像的文件名，后跟一個制表符（\t），然后是該圖像的GT文本。
確保GT文本文件包含圖像文件夾中指定的所有圖像的GT文本條目。GT文本應與圖像中實際文本內容相匹配。這種格式對于準確評估OCR模型的性能是必需的。
您可以在這里找到源代碼：https://github.com/vinodbaste/paddleOCR_rec_dec?source=post_page
結論
我們探討了如何使用基于深度學習的PaddleOCR進行文本檢測和識別的過程。我們逐步演示了文本檢測和識別的實現。有了PaddleOCR強大的預訓練模型和易于使用的API，對圖像執行OCR變得更加容易。
