paddleocr ocr 服务化部署 java调用 paddleocr进行部署

文章目录

• 一、分析与选择
• 二、PaddleHub 部署

• 1. GPU 环境描述
• 2. 快速启动服务

• 2.1 准备环境
• 2.2 下载推理模型
• 2.3 安装服务模块
• 2.4 启动服务

• 3. 发送预测请求
• 4. 自定义修改服务模块

• 三、PaddleHub 运行结果
• 四、对接工作

一、分析与选择

PaddleOCR 提供 2 种服务部署方式：

一种是 PaddleServing 的部署方式, 仅使用 CPU 推理预测在 Windows 和 Linux都能进行部署.

若要使用 GPU 进行推理预测, 在 Windows 上只能使用 Docker 进行部署 (这步没有进行尝试).

在 Linux 上可以手动部署, 也可以使用 Docker 部署 (这步没有进行尝试).

另一种是 PaddleHub 的部署方式, 由于在 Windows 上设置 CUDA_VISIBLE_DEVICES=0 出现错误, 所以 PaddleHub 依旧部署到 Linux 上.

在 Linux 上使用 PaddleServing 手动部署的过程中, 程序出现意外的错误,

出现只能预测一部分图片的结果. 经过排除发现, 是 PaddleServing 的部署方式占满所有显存.

以下表格为各种系统各种配置下不同的部署方式实现情况.

	Windows/Linux CPU	Windows GPU	Linux GPU
PaddleServing	Success	No	显存不够
PaddleHub	No	显卡设置错误	Success

其中 Success 表示成功部署, No 表示未尝试

在显存足够的情况下选择 PaddleServing 部署方式可以提高并发量, 这里仅测试就选择相对简单的 PaddleHub 进行部署.

二、PaddleHub 部署

基于 Github PaddleOCR/PaddleHub 部署文档 编写.

1. GPU 环境描述

GPU : 1050Ti Mobile 4G

CUDA : 11.2 (Driver API Version: 11.4, Runtime API Version: 11.2)

cuDNN : 8.6

2. 快速启动服务

以下操作默认下载了 PaddleOCR 项目并安装了 PaddleOCR 的 GPU 运行环境. 安装教程 https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6/doc/doc_ch/quickstart.md

注意在 PaddlePaddle 官网 去查找需要的 paddlepaddle-gpu 版本.

2.1 准备环境

# 安装paddlehub  
# paddlehub 需要 python>3.6.2
pip3 install paddlehub==2.1.0 --upgrade -i https://mirror.baidu.com/pypi/simple

2.2 下载推理模型

安装服务模块前, 需要准备推理模型并放到正确路径. 默认使用的是PP-OCRv3模型, 默认模型路径为

检测模型：./inference/ch_PP-OCRv3_det_infer/
识别模型：./inference/ch_PP-OCRv3_rec_infer/
方向分类器：./inference/ch_ppocr_mobile_v2.0_cls_infer/

需要注意! 此步的当前路径是在 PaddleOCR/ 下.

模型路径可在 params.py 中查看和修改. 更多模型可以从 PaddleOCR 提供的模型库 PP-OCR 下载, 也可以替换成自己训练转换好的模型.

需要注意! params.py 的路径是 PaddleOCR/deploy/hubserving/xxx/params.py .

2.3 安装服务模块

! 执行命令的当前路径实在 PaddleOCR/ 下

# 安装检测服务模块：  
hub install deploy/hubserving/ocr_det/

# 或，安装分类服务模块：  
hub install deploy/hubserving/ocr_cls/

# 或，安装识别服务模块：  
hub install deploy/hubserving/ocr_rec/

# 或，安装检测+识别串联服务模块：  
hub install deploy/hubserving/ocr_system/

这里我们可以只选择

hub install deploy/hubserving/ocr_system/

2.4 启动服务

启动命令：

# 使用 0 号显卡
export CUDA_VISIBLE_DEVICES=0
hub serving start -c deploy/hubserving/ocr_system/config.json

3. 发送预测请求

配置好服务端, 可使用以下命令发送预测请求, 获取预测结果:

python tools/test_hubserving.py --server_url=server_url --image_dir=image_path

需要给脚本传递2个参数：

• server_url: 服务地址, 格式为
  http://[ip_address]:[port]/predict/[module_name] 例如, 如果使用配置文件启动分类, 检测、识别, 检测 + 分类 + 识别 3 阶段服务, 那么发送请求的 url 将分别是:
  http://127.0.0.1:8865/predict/ocr_dethttp://127.0.0.1:8866/predict/ocr_clshttp://127.0.0.1:8867/predict/ocr_rechttp://127.0.0.1:8868/predict/ocr_system
• image_dir: 测试图像路径,可以是单张图片路径, 也可以是图像集合目录路径
• visualize: 是否可视化结果, 默认为 False
• output：可视化结果保存路径, 默认为 ./hubserving_result

访问示例:

python tools/test_hubserving.py --server_url=http://127.0.0.1:8868/predict/ocr_system --image_dir=./doc/imgs/ --visualize=false

4. 自定义修改服务模块

如果需要修改服务逻辑, 你一般需要操作以下步骤 (以修改ocr_system为例):

• 1、停止服务

hub serving stop --port/-p XXXX

• 2、到相应的module.py和params.py等文件中根据实际需求修改代码.

强烈建议修改后先直接运行module.py调试，能正确运行预测后再启动服务测试。

• 3、卸载旧服务包

hub uninstall ocr_system

• 4、安装修改后的新服务包

hub install deploy/hubserving/ocr_system/

• 5、重新启动服务

hub serving start -m ocr_system

三、PaddleHub 运行结果

服务端测试

客户端测试

四、对接工作

通过观察代码可以了解到这样一个接口, 使用其他编程语言发送这样的一个请求即可.

其中的 headers 为

图片传输需转编码后发送