手把手0基础Centos下安装与部署paddleOcr教程

一、环境准备：CentOS系统基础配置

1.1 系统版本选择与更新

CentOS 7/8均为稳定选择，推荐使用CentOS 7（x86_64）以兼容更多旧版依赖。执行以下命令更新系统：

sudo yum update -y
sudo yum install -y epel-release  # 启用EPEL仓库

1.2 依赖库安装

PaddleOCR依赖Python 3.7+、CUDA 10.1/11.2（GPU版）、cuDNN等组件。按以下步骤安装：

# 基础开发工具
sudo yum groupinstall -y "Development Tools"
sudo yum install -y wget curl git
# Python 3.8安装（CentOS 7默认Python 2.7）
sudo yum install -y centos-release-scl
sudo yum install -y rh-python38
scl enable rh-python38 bash  # 临时启用Python 3.8
# 永久生效（添加到~/.bashrc）
echo "source /opt/rh/rh-python38/enable" >> ~/.bashrc
source ~/.bashrc

二、PaddlePaddle框架安装

2.1 CPU版本安装

python3 -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

验证安装：

import paddle
paddle.utils.run_check()  # 应输出"PaddlePaddle is installed successfully!"

2.2 GPU版本安装（可选）

1. 确认NVIDIA驱动：

   nvidia-smi  # 查看GPU型号与驱动版本

2. 安装CUDA 11.2：

   wget https://developer.download.nvidia.com/compute/cuda/repos/centos7/x86_64/cuda-repo-centos7-11.2.2-1.x86_64.rpm
   sudo rpm -ivh cuda-repo-centos7-11.2.2-1.x86_64.rpm
   sudo yum clean all
   sudo yum install -y cuda-11-2

3. 安装cuDNN 8.1：
   从NVIDIA官网下载cuDNN的.rpm包，执行：

   sudo rpm -ivh cudnn-11.3-linux-x64-v8.2.1.32.rpm

4. 安装GPU版PaddlePaddle：

   python3 -m pip install paddlepaddle-gpu==2.4.0.post112 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

三、PaddleOCR安装与配置

3.1 克隆仓库与安装依赖

git clone https://github.com/PaddlePaddle/PaddleOCR.git
cd PaddleOCR
python3 -m pip install -r requirements.txt -i https://mirror.baidu.com/pypi/simple

3.2 下载预训练模型

PaddleOCR提供中英文、多语言等模型，以中文OCR为例：

mkdir -p inference/ch_PP-OCRv4_det
mkdir -p inference/ch_PP-OCRv4_rec
mkdir -p inference/ch_PP-OCRv4_cls
# 下载检测模型
wget https://paddleocr.bj.bcebos.com/PP-OCRv4/chinese/ch_PP-OCRv4_det_infer.tar --no-check-certificate
tar -xf ch_PP-OCRv4_det_infer.tar -C inference/ch_PP-OCRv4_det
# 下载识别模型（类似步骤下载rec和cls模型）

3.3 配置文件修改

编辑configs/det/ch_PP-OCRv4/ch_PP-OCRv4_det.yml，修改模型路径：

Global:
  infer_img: ./doc/imgs/12.jpg
  det_model_dir: ./inference/ch_PP-OCRv4_det/
  rec_model_dir: ./inference/ch_PP-OCRv4_rec/
  cls_model_dir: ./inference/ch_PP-OCRv4_cls/

四、运行与测试

4.1 单张图片预测

python3 tools/infer_ocr.py -c configs/det/ch_PP-OCRv4/ch_PP-OCRv4_det.yml -o Global.infer_img=./doc/imgs/12.jpg

输出示例：

Detect Result: [[[67.0, 118.0], [347.0, 102.0], [352.0, 136.0], [72.0, 152.0]], ...]
Recognize Result: {'text': '欢迎使用PaddleOCR', 'confidence': 0.99}

4.2 批量处理与可视化

使用tools/infer_rec.py进行批量识别，并通过tools/plot_result.py生成可视化结果：

python3 tools/infer_rec.py -c configs/rec/ch_PP-OCRv4/ch_PP-OCRv4_rec.yml -o Global.infer_img=./doc/imgs_words/
python3 tools/plot_result.py --det_dir=./output/det/ --rec_dir=./output/rec/ --output_dir=./output/vis/

五、常见问题与解决方案

5.1 依赖冲突

现象：pip install时报版本冲突。
解决：使用虚拟环境隔离：

python3 -m venv paddle_env
source paddle_env/bin/activate
pip install -r requirements.txt

5.2 GPU不可用

现象：paddle.is_compiled_with_cuda()返回False。
检查步骤：

1. 确认nvidia-smi正常显示GPU。
2. 检查CUDA路径：

   echo $LD_LIBRARY_PATH  # 应包含/usr/local/cuda/lib64

3. 重新安装GPU版PaddlePaddle。

5.3 模型下载失败

解决：使用国内镜像源或手动下载后放置到对应目录：

# 手动下载模型后
mv ch_PP-OCRv4_det_infer/* ./inference/ch_PP-OCRv4_det/

六、性能优化建议

1. 批量处理：修改Global.batch_size参数（默认1，可调至4-8）。
2. 模型量化：使用TensorRT加速：

   python3 tools/export_model.py -c configs/rec/ch_PP-OCRv4/ch_PP-OCRv4_rec.yml -o Global.save_inference_dir=./inference_quant/

3. 多线程处理：在infer_ocr.py中设置num_workers=4。

七、扩展应用场景

1. 服务化部署：使用FastAPI封装API：
   ```python
   from fastapi import FastAPI
   from paddleocr import PaddleOCR

app = FastAPI()
ocr = PaddleOCR(use_angle_cls=True, lang=”ch”)

@app.post(“/ocr”)
async def ocr_api(img_base64: str):
import base64
from io import BytesIO
from PIL import Image
img_data = base64.b64decode(img_base64)
img = Image.open(BytesIO(img_data))
result = ocr.ocr(img, cls=True)
return {“result”: result}

2. **定时任务**：结合`crontab`实现每日图片识别：
```bash
0 2 * * * /usr/bin/python3 /path/to/PaddleOCR/tools/batch_ocr.py >> /var/log/ocr.log 2>&1

通过以上步骤，即使是0基础的CentOS用户也能完成PaddleOCR的安装与部署。实际生产环境中，建议结合Docker容器化部署以提升环境一致性，并定期更新模型以获得更好的识别效果。