Advertisement

基于NCNN的轻量级PaddleOCRv4模型C++推理

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本项目提供了一种基于NCNN框架的轻量化PaddleOCR v4版本模型，适用于高性能C++环境下的文字识别任务。 PaddleOCR 提供了基于深度学习的文本检测、识别及方向检测等功能。其主要推荐的 PP-OCR 算法在国内外企业开发者中得到了广泛应用，在短短几年时间里，PP-OCR 的累计 Star 数已超过32.2k，并经常出现在 GitHub Trending 和 Paperswithcode 的日榜和月榜首位，被认为是当前 OCR 领域最热门的仓库之一。PaddleOCR 最初主打的 PP-OCR 系列模型在去年五月份推出了 v3 版本。最近，飞桨 AI 套件团队对 PP-OCRv3 进行了全面改进，并发布了重大更新版本 PP-OCRv4。该新版本预计带来了更先进的技术、更高的性能和更广泛的适用性，将进一步推动 OCR 技术在各领域的应用。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于NCNN的轻量级PaddleOCRv4模型C++推理
    优质
    本项目提供了一种基于NCNN框架的轻量化PaddleOCR v4版本模型，适用于高性能C++环境下的文字识别任务。 PaddleOCR 提供了基于深度学习的文本检测、识别及方向检测等功能。其主要推荐的 PP-OCR 算法在国内外企业开发者中得到了广泛应用，在短短几年时间里，PP-OCR 的累计 Star 数已超过32.2k，并经常出现在 GitHub Trending 和 Paperswithcode 的日榜和月榜首位，被认为是当前 OCR 领域最热门的仓库之一。PaddleOCR 最初主打的 PP-OCR 系列模型在去年五月份推出了 v3 版本。最近，飞桨 AI 套件团队对 PP-OCRv3 进行了全面改进，并发布了重大更新版本 PP-OCRv4。该新版本预计带来了更先进的技术、更高的性能和更广泛的适用性，将进一步推动 OCR 技术在各领域的应用。
     
  • 轻量级PP-HumanSeg lite人像分割模型的NCNN C++部署代码及模型
    优质
    简介：本文提供轻量级人像分割模型PP-HumanSeg Lite在NCNN框架下的C++部署实现与模型，适用于实时图像处理需求。 1. 轻量级人像分割模型PP-HumanSeg NCNN C++部署代码； 2. 包含onnx模型和ncnn模型。
     
  • 基于轻量级ALBERT模型的Albert+BiLSTM+CRF实现
    优质
    本项目采用轻量级ALBERT模型结合BiLSTM和CRF技术，致力于提升中文自然语言处理任务中的序列标注性能，适用于命名实体识别等应用场景。 在自然语言处理（NLP）领域，命名实体识别（NER）是一项基础且重要的任务，它涉及到从文本中抽取出具有特定意义的实体，如人名、地名、组织名等。本项目以轻量级的ALBERT模型为基础，并结合双向长短期记忆网络（BiLSTM）和条件随机场（CRF），构建了一个高效且精准的NER系统。 ALBERT是BERT的一个优化版本，通过引入因子分解和句子顺序预测技术，显著减少了参数数量并降低了计算复杂度。这使得它在资源有限的情况下也能快速运行，并适合于实时和大规模NLP任务。 BiLSTM是一种结合了前向LSTM和后向LSTM的序列模型，能够捕捉到词语之间的上下文信息，在NER中可以更好地理解实体边界及类型。 CRF则通过考虑整个序列的标注概率来提高连贯性和准确性。相比其他不考虑上下文依赖的方法如最大熵模型，它在处理模糊边界的实体时更具优势。 项目中的`train.py`脚本用于训练包含ALBERT、BiLSTM和CRF的模型，并利用PyTorch库进行优化。完成后的权重会被保存以供后续使用。 通过`predict.py`可以对单个句子进行实体识别，输入文本后输出所有被识别出的实体及其类别信息。 此外，项目还部署了一个基于Web服务的应用，在运行`run.py`脚本之后用户可以通过HTTP请求提交待处理的文本，并获得模型返回的结果。这种方式使得该系统能够集成到各种应用中如聊天机器人、信息提取等场景下使用。 综上所述，此项目展示了如何结合ALBERT高效性和BiLSTM及CRF序列标注能力构建实用NER系统的方法。通过简单调用Python脚本即可完成训练、预测和部署流程，为研究者与开发者提供了一个很好的学习资源。
     
  • MODNet官方ONNX及转为NCNN的模型、NCNN量化后的模型
    优质
    本资源提供MODNet模型在ONNX格式下的官方版本及其转换至NCNN框架后的模型文件，并包含经过NCNN量化处理后的优化模型，适用于多种深度学习应用场景。 1. MODNet官方提供的ONNX模型； 2. 将MODNet官方的ONNX模型转换为ncnn格式； 3. 经过ncnn int8量化后的模型。
     
  • ChineseOCR_Lite：超轻量级中文OCR，支持竖排文字识别及NCNN/MNN/TNN推理(DBNet 1.8...)
    优质
    ChineseOCR_Lite是一款专为中文设计的轻量化文本检测与识别工具，采用先进的DBNet模型，并兼容多种推理引擎如NCNN、MNN和TNN。该工具支持竖排文字识别，适用于资源受限的设备环境。 chineseocr_lite 的 onnx 推理, 部署简单 原始项目分支（torch推理，ncnn推理等）： 环境 python3.6 支持的操作系统：Linux、macOS、Windows 启动web服务步骤： 1. 进入 chineseocr 目录: `cd chineseocr_lite` 2. 启动后端主程序: `python backendmain.py` 识别结果展示参考相关文档。 以下范例项目是翻译为各种语言的Demo，仅供参考。 ** 注意：这些示例相互独立，只是同一个项目的不同版本 ** 如果不想自己整合依赖库的话，请自行下载完整源码工程项目（具体获取方式请参见相应说明）。 - onnxruntime C++ demo，支持Windows、Linux、macOS，目前仅支持CPU计算； - ncnn C++ demo，支持Windows、Linux、macOS，分为CPU版。
     
  • 轻量级的C# IDE
    优质
    这是一款专为C#编程语言设计的轻量级集成开发环境(IDE)，提供简洁高效的代码编辑、调试和项目管理功能。 一个轻量级的C# IDE非常适合用来开发小程序。
     
  • 轻量级人脸检测的ONNX模型
    优质
    本作品介绍了一种轻量级的人脸检测ONNX模型，适用于资源受限的设备。该模型在保持高精度的同时减少了计算需求和存储占用。 ONNX：轻量级人脸检测模型
     
  • 基于轻量级CNN的恶意软件家族分类模型
    优质
    本研究提出了一种基于轻量级卷积神经网络（CNN）的新型方法，用于有效识别和分类恶意软件家族。通过减少计算复杂度并保持高准确率，该模型适用于资源受限环境中的实时安全防护需求。 基于卷积神经网络（CNN）的恶意代码分类方法存在计算资源消耗较大的问题。为了降低分类过程中的计算量和参数量，我们构建了一种新的模型：该模型结合了恶意代码可视化技术和轻量化CNN架构Mobilenet v2。具体来说，我们将恶意软件转换为灰度图像，并通过这些图来衡量同一家族的恶意软件在结构上的相似性。利用深度可分离卷积技术训练神经网络以自动提取纹理特征，并使用Softmax分类器进行家族分类。 实验结果显示，该模型对恶意代码的平均准确率达到了99.32%，比传统的可视化方法高出2.14个百分点。
     
  • 将PaddleOCR的光照模型转为NCNN，供NCNN使用-C/C++开发
    优质
    本文介绍了如何将PaddleOCR中的光照补偿模型转换成NCNN框架下的模型，以便在C/C++环境中高效运行。通过详细的步骤和代码示例，帮助开发者轻松实现跨平台部署。 将PaddleOCR灯光模型转换为ncnn格式后，您可以使用ncnn进行推理操作。通过使用chineseocr_lite项目中的推断代码可以实现这一点。注意：如果需要使用角度检测模型，请把输入形状dstHeight从32改为48。 关于具体的推断过程和相关模型文件可以在以下地址找到： - 推理示例代码: https://github.com/DayBreak-u/chineseocr_lite/tree/onnx/cpp_projects/OcrLiteNcnn - 模型转换项目：https://github.com/frotms/PaddleOCR2Pytorch
     
  • TinyWebServer：基于Linux的C++轻量级Web服务器
    优质
    TinyWebServer是一款专为Linux系统设计的高效、简洁的C++语言开发的轻量级Web服务器。它易于部署和扩展，非常适合小型网站和个人项目使用。 TinyWebServer是一个在Linux环境下用C++开发的轻量级Web服务器。