手把手0基础CentOS下安装与部署PaddleOCR教程

引言

PaddleOCR是百度开源的一款基于PaddlePaddle深度学习框架的OCR（光学字符识别）工具库，支持中英文、多语言识别以及版面分析等功能。对于需要在CentOS服务器上部署OCR服务的开发者或企业用户来说，掌握PaddleOCR的安装与部署是关键一步。本文将针对0基础用户，详细讲解如何在CentOS系统下完成PaddleOCR的安装与部署。

环境准备

1. 确认系统版本

首先，确保你的CentOS系统版本符合要求。PaddleOCR推荐使用CentOS 7或更高版本。可以通过以下命令查看系统版本：

cat /etc/centos-release

2. 安装必要工具

在开始安装前，需要安装一些基础工具，如git、wget、unzip等：

yum install -y git wget unzip

3. 安装Python环境

PaddleOCR支持Python 3.6及以上版本。推荐使用Anaconda或Miniconda来管理Python环境，以避免与系统自带的Python冲突。

安装Miniconda

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

按照提示完成安装后，重新加载终端或运行source ~/.bashrc使环境变量生效。

创建并激活Python环境

conda create -n paddle_env python=3.8
conda activate paddle_env

安装PaddlePaddle

PaddleOCR依赖于PaddlePaddle深度学习框架。根据你的GPU情况选择安装CPU或GPU版本的PaddlePaddle。

CPU版本安装

pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

GPU版本安装（需有NVIDIA GPU及CUDA环境）

首先确认你的CUDA和cuDNN版本，然后访问PaddlePaddle官方安装指南选择对应的安装命令。例如，对于CUDA 10.2：

pip install paddlepaddle-gpu==2.1.0.post102 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

下载PaddleOCR

使用git克隆PaddleOCR仓库到本地：

git clone https://github.com/PaddlePaddle/PaddleOCR.git
cd PaddleOCR

安装依赖

进入PaddleOCR目录后，安装项目所需的Python依赖：

pip install -r requirements.txt

下载预训练模型

PaddleOCR提供了多种预训练模型，包括文本检测、文本识别和版面分析模型。你可以根据需要下载相应的模型。

下载中文OCR模型

cd PaddleOCR/ppocr/utils
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_det_infer.tar
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_rec_infer.tar
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_cls_infer.tar
# 解压模型
tar -xf ch_ppocr_mobile_v2.0_det_infer.tar
tar -xf ch_ppocr_mobile_v2.0_rec_infer.tar
tar -xf ch_ppocr_mobile_v2.0_cls_infer.tar

配置模型路径

在PaddleOCR/configs目录下，找到对应的配置文件（如ch_ppocr_mobile_v2.0_det_infer.yml、ch_ppocr_mobile_v2.0_rec_infer.yml），修改其中的Global.infer_img（输入图片路径，测试时可忽略）和Global.rec_model_dir、Global.det_model_dir、Global.cls_model_dir等参数，指向你下载的模型路径。

运行测试

文本检测与识别

使用以下命令进行文本检测与识别测试：

python tools/infer_rec.py -c configs/rec/ch_ppocr_mobile_v2.0_rec_infer.yml -o Global.infer_img=./doc/imgs/11.jpg Global.rec_model_dir=./ppocr/utils/ch_ppocr_mobile_v2.0_rec_infer/ Global.det_model_dir=./ppocr/utils/ch_ppocr_mobile_v2.0_det_infer/ Global.use_gpu=False

版面分析（可选）

如果需要版面分析功能，可以下载对应的版面分析模型，并修改配置文件后运行：

# 下载版面分析模型（示例）
wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_cls_infer.tar
tar -xf ch_ppocr_mobile_v2.0_cls_infer.tar
# 运行版面分析
python tools/infer_cls.py -c configs/cls/ch_ppocr_mobile_v2.0_cls_infer.yml -o Global.infer_img=./doc/imgs/11.jpg Global.cls_model_dir=./ppocr/utils/ch_ppocr_mobile_v2.0_cls_infer/ Global.use_gpu=False

部署为Web服务（可选）

为了将PaddleOCR部署为Web服务，可以使用Flask或FastAPI等框架。以下是一个简单的Flask示例：

安装Flask

pip install flask

创建Flask应用

在PaddleOCR目录下创建app.py文件：

from flask import Flask, request, jsonify
from paddleocr import PaddleOCR
app = Flask(__name__)
ocr = PaddleOCR(use_angle_cls=True, lang="ch")  # 初始化OCR，使用中文模型
@app.route('/ocr', methods=['POST'])
def ocr_api():
    if 'file' not in request.files:
        return jsonify({'error': 'No file uploaded'}), 400
    file = request.files['file']
    img_path = "./temp.jpg"
    file.save(img_path)
    result = ocr.ocr(img_path, cls=True)
    # 处理结果，转换为JSON友好格式
    result_json = []
    for line in result:
        if line:
            for item in line:
                if isinstance(item, list) and len(item) > 1:
                    result_json.append({
                        'coordinates': item[0],
                        'text': item[1][0],
                        'confidence': item[1][1]
                    })
    return jsonify(result_json)
if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

运行Flask应用

python app.py

现在，你可以通过POST请求向http://<你的服务器IP>:5000/ocr上传图片文件，获取OCR识别结果。

总结与优化建议

总结

本文详细讲解了如何在CentOS系统下从零开始安装并部署PaddleOCR，包括环境准备、依赖安装、代码下载、模型配置到运行测试的全流程。对于0基础用户来说，只要按照步骤操作，就能成功部署PaddleOCR服务。

优化建议

1. 性能优化：对于生产环境，建议使用GPU版本的PaddlePaddle，并调整batch_size等参数以提高处理速度。
2. 模型选择：根据实际需求选择合适的模型，如移动端轻量级模型或服务端高性能模型。
3. 容器化部署：考虑使用Docker容器化部署PaddleOCR，便于管理和迁移。
4. 安全加固：对于Web服务，应添加身份验证、输入验证等安全措施，防止恶意攻击。

通过以上步骤和建议，你可以在CentOS系统上高效、稳定地部署PaddleOCR服务，满足各种OCR应用场景的需求。