PaddleOCR/PTDN

推理部署导航

1. 简介

飞桨除了基本的模型训练和预测，还提供了支持多端多平台的高性能推理部署工具。本文档提供了PaddleOCR中所有模型的推理部署导航PTDN（Paddle Train Deploy Navigation），方便用户查阅每种模型的推理部署打通情况，并可以进行一键测试。

2. 汇总信息

打通情况汇总如下，已填写的部分表示可以使用本工具进行一键测试，未填写的表示正在支持中。

字段说明：

• 基础训练预测：包括模型训练、Paddle Inference Python预测。
• 更多训练方式：包括多机多卡、混合精度。
• 模型压缩：包括裁剪、离线/在线量化、蒸馏。
• 其他预测部署：包括Paddle Inference C++预测、Paddle Serving部署、Paddle-Lite部署等。

更详细的mkldnn、Tensorrt等预测加速相关功能的支持情况可以查看各测试工具的更多教程。

算法论文	模型名称	模型类型	基础 训练预测	更多 训练方式	模型压缩	其他预测部署
DB	ch_ppocr_mobile_v2.0_det	检测	支持	多机多卡 混合精度	FPGM裁剪 离线量化	Paddle Inference: C++ Paddle Serving: Python, C++ Paddle-Lite: (1) ARM CPU(C++)
DB	ch_ppocr_server_v2.0_det	检测	支持	多机多卡 混合精度	FPGM裁剪 离线量化	Paddle Inference: C++ Paddle Serving: Python, C++ Paddle-Lite: (1) ARM CPU(C++)
DB	ch_PP-OCRv2_det	检测
CRNN	ch_ppocr_mobile_v2.0_rec	识别	支持	多机多卡 混合精度	PACT量化 离线量化	Paddle Inference: C++ Paddle Serving: Python, C++ Paddle-Lite: (1) ARM CPU(C++)
CRNN	ch_ppocr_server_v2.0_rec	识别	支持	多机多卡 混合精度	PACT量化 离线量化	Paddle Inference: C++ Paddle Serving: Python, C++ Paddle-Lite: (1) ARM CPU(C++)
CRNN	ch_PP-OCRv2_rec	识别
PP-OCR	ch_ppocr_mobile_v2.0	检测+识别	支持	多机多卡 混合精度	-	Paddle Inference: C++ Paddle Serving: Python, C++ Paddle-Lite: (1) ARM CPU(C++)
PP-OCR	ch_ppocr_server_v2.0	检测+识别	支持	多机多卡 混合精度	-	Paddle Inference: C++ Paddle Serving: Python, C++ Paddle-Lite: (1) ARM CPU(C++)
PP-OCRv2	ch_PP-OCRv2	检测+识别
DB	det_mv3_db_v2.0	检测
DB	det_r50_vd_db_v2.0	检测
EAST	det_mv3_east_v2.0	检测
EAST	det_r50_vd_east_v2.0	检测
PSENet	det_mv3_pse_v2.0	检测
PSENet	det_r50_vd_pse_v2.0	检测
SAST	det_r50_vd_sast_totaltext_v2.0	检测
Rosetta	rec_mv3_none_none_ctc_v2.0	识别
Rosetta	rec_r34_vd_none_none_ctc_v2.0	识别
CRNN	rec_mv3_none_bilstm_ctc_v2.0	识别
CRNN	rec_r34_vd_none_bilstm_ctc_v2.0	识别
StarNet	rec_mv3_tps_bilstm_ctc_v2.0	识别
StarNet	rec_r34_vd_tps_bilstm_ctc_v2.0	识别
RARE	rec_mv3_tps_bilstm_att_v2.0	识别
RARE	rec_r34_vd_tps_bilstm_att_v2.0	识别
SRN	rec_r50fpn_vd_none_srn	识别
NRTR	rec_mtb_nrtr	识别
SAR	rec_r31_sar	识别
PGNet	rec_r34_vd_none_none_ctc_v2.0	端到端

3. 一键测试工具使用

目录介绍

PTDN/
├── configs/  # 配置文件目录
	├── det_mv3_db.yml               # 测试mobile版ppocr检测模型训练的yml文件
	├── det_r50_vd_db.yml            # 测试server版ppocr检测模型训练的yml文件
	├── rec_icdar15_r34_train.yml    # 测试server版ppocr识别模型训练的yml文件
	├── ppocr_sys_mobile_params.txt     # 测试mobile版ppocr检测+识别模型串联的参数配置文件
	├── ppocr_det_mobile_params.txt     # 测试mobile版ppocr检测模型的参数配置文件
	├── ppocr_rec_mobile_params.txt     # 测试mobile版ppocr识别模型的参数配置文件
	├── ppocr_sys_server_params.txt     # 测试server版ppocr检测+识别模型串联的参数配置文件
	├── ppocr_det_server_params.txt     # 测试server版ppocr检测模型的参数配置文件
	├── ppocr_rec_server_params.txt     # 测试server版ppocr识别模型的参数配置文件
	├── ...                                
├── results/   # 预先保存的预测结果，用于和实际预测结果进行精读比对
	├── python_ppocr_det_mobile_results_fp32.txt           # 预存的mobile版ppocr检测模型python预测fp32精度的结果
	├── python_ppocr_det_mobile_results_fp16.txt           # 预存的mobile版ppocr检测模型python预测fp16精度的结果
	├── cpp_ppocr_det_mobile_results_fp32.txt       # 预存的mobile版ppocr检测模型c++预测的fp32精度的结果
	├── cpp_ppocr_det_mobile_results_fp16.txt       # 预存的mobile版ppocr检测模型c++预测的fp16精度的结果
	├── ...
├── prepare.sh                        # 完成test_*.sh运行所需要的数据和模型下载
├── test_train_inference_python.sh    # 测试python训练预测的主程序
├── test_inference_cpp.sh             # 测试c++预测的主程序
├── test_serving.sh                   # 测试serving部署预测的主程序
├── test_lite.sh                      # 测试lite部署预测的主程序
├── compare_results.py                # 用于对比log中的预测结果与results中的预存结果精度误差是否在限定范围内
└── readme.md                         # 使用文档

测试流程

使用本工具，可以测试不同功能的支持情况，以及预测结果是否对齐，测试流程如下：

1. 运行prepare.sh准备测试所需数据和模型；
2. 运行要测试的功能对应的测试脚本test_*.sh，产出log，由log可以看到不同配置是否运行成功；
3. 用compare_results.py对比log中的预测结果和预存在results目录下的结果，判断预测精度是否符合预期（在误差范围内）。

其中，有4个测试主程序，功能如下：

• test_train_inference_python.sh：测试基于Python的模型训练、评估、推理等基本功能，包括裁剪、量化、蒸馏。
• test_inference_cpp.sh：测试基于C++的模型推理。
• test_serving.sh：测试基于Paddle Serving的服务化部署功能。
• test_lite.sh：测试基于Paddle-Lite的端侧预测部署功能。

更多教程

各功能测试中涉及混合精度、裁剪、量化等训练相关，及mkldnn、Tensorrt等多种预测相关参数配置，请点击下方相应链接了解更多细节和使用教程：
test_train_inference_python 使用
test_inference_cpp 使用
test_serving 使用
test_lite 使用