181 lines
7.7 KiB
Markdown
181 lines
7.7 KiB
Markdown
# ocr-VL1.6
|
||
|
||
本地 CPU 部署 [PaddlePaddle/PaddleOCR-VL-1.6](https://github.com/PaddlePaddle/PaddleOCR) 的 OCR 识别项目，包含完整的性能 Benchmark 和多级优化方案。
|
||
|
||
> 在线 Demo: [HuggingFace Space](https://huggingface.co/spaces/PaddlePaddle/PaddleOCR-VL-1.6_Online_Demo) · 模型权重: [HuggingFace](https://huggingface.co/PaddlePaddle/PaddleOCR-VL-1.6)
|
||
|
||
## 项目结构
|
||
|
||
```
|
||
ocr-VL1.6/
|
||
├── main.py # 单图 OCR + Benchmark（已集成 set_num_threads 加速）
|
||
├── batch_ocr.py # 批量 OCR（多进程并行加速）
|
||
├── pyproject.toml # 项目配置（uv 管理）
|
||
├── images/
|
||
│ └── 手写01.png # 测试图片：手写中文（1758×646）
|
||
└── README.md
|
||
```
|
||
|
||
## 技术栈
|
||
|
||
| 组件 | 版本 | 说明 |
|
||
| ---------------- | ----- | ---------------------------------------- |
|
||
| Python | 3.13 | |
|
||
| PaddlePaddle | 3.2.1 | CPU 版（无 CUDA），已编译 oneDNN/MKL-DNN |
|
||
| PaddleOCR | 3.7.0 | 带 `doc-parser` extra |
|
||
| PaddleOCR-VL-1.6 | 0.9B | 主 OCR 视觉语言模型（~1.8GB） |
|
||
| PP-DocLayoutV3 | - | 版面检测模型（~126MB） |
|
||
|
||
模型缓存目录：`~/.paddlex/official_models/`
|
||
|
||
## 快速开始
|
||
|
||
### 前提条件
|
||
|
||
- Python ≥ 3.13
|
||
- [uv](https://github.com/astral-sh/uv) 包管理器
|
||
|
||
### 安装
|
||
|
||
```bash
|
||
uv sync
|
||
```
|
||
|
||
### 运行
|
||
|
||
```bash
|
||
# 单张图片 OCR（自动使用全部 CPU 核心）
|
||
uv run python main.py
|
||
|
||
# 批量 OCR（多进程并行，安全默认值）
|
||
uv run python batch_ocr.py images/
|
||
```
|
||
|
||
首次运行会自动从 ModelScope 下载模型文件（约 2GB），后续使用缓存。
|
||
|
||
## 工作原理
|
||
|
||
`PaddleOCRVL` pipeline 分两阶段：
|
||
|
||
```
|
||
输入图片 → [PP-DocLayoutV3 版面检测] → [PaddleOCR-VL-1.6-0.9B 文字识别] → 结构化输出
|
||
```
|
||
|
||
1. **版面检测** — PP-DocLayoutV3 检测页面中的文本块区域（坐标 + 标签 + 置信度）
|
||
2. **OCR 识别** — PaddleOCR-VL-1.6-0.9B（GQA 架构视觉语言模型）逐块识别文字
|
||
3. **结果输出** — 返回 `PaddleOCRVLResult`，包含布局信息和识别文本
|
||
|
||
### 输出结构
|
||
|
||
| 字段 | 类型 | 说明 |
|
||
| ---------------------- | ---------------------- | ------------------------------------------------------------ |
|
||
| `layout_det_res.boxes` | list[dict] | 版面文本区域（cls_id, label, score, coordinate, polygon_points） |
|
||
| `parsing_res_list` | list[PaddleOCRVLBlock] | 识别文本块（$.label, $.bbox, $.content, $.polygon_points） |
|
||
| `model_settings` | dict | 推理配置开关（版面检测/图表/印章等） |
|
||
| `width` / `height` | int | 图片尺寸 |
|
||
|
||
## 性能优化迭代
|
||
|
||
测试机器：Windows 11, CPU 20 核（逻辑线程）, RAM 32GB, PaddlePaddle 3.2.1 CPU
|
||
|
||
### 迭代 0：初始状态（无任何优化）
|
||
|
||
直接调用 `pipeline.predict()`，未设置任何线程参数。
|
||
|
||
| 阶段 | 耗时 |
|
||
| ----------------------- | --------------- |
|
||
| 模型初始化（加载权重） | ~60s |
|
||
| 首次推理（含 JIT 编译） | ~285s |
|
||
| 后续推理 | ~238s（~4 min） |
|
||
|
||
### 迭代 1：算子级并行 — `core.set_num_threads()`
|
||
|
||
**探索过程：**
|
||
|
||
| 尝试 | 方法 | 结果 |
|
||
| ---- | -------------------------------------------------- | ---------------------------------------------------- |
|
||
| ❌ | `paddle.set_num_threads()` | Paddle 3.x 已移除该 API |
|
||
| ❌ | 环境变量 `OMP_NUM_THREADS` / `MKL_NUM_THREADS` | Paddle 3.x 内部使用 oneDNN，不读取这些变量 |
|
||
| ✅ | `from paddle import core; core.set_num_threads(N)` | **有效！** oneDNN 底层算子（matmul 等）受该 API 控制 |
|
||
|
||
**矩阵乘法微基准测试（4000×4000）：**
|
||
|
||
| 线程数 | 耗时 (matmul) | 加速比 |
|
||
| ------ | ------------- | -------- |
|
||
| 1 | 0.952s | 1.0x |
|
||
| 4 | 0.419s | 2.3x |
|
||
| 8 | 0.323s | 2.9x |
|
||
| 16 | 0.240s | 4.0x |
|
||
| **20** | **0.223s** | **4.3x** |
|
||
|
||
**应用到 OCR 后的实际效果：**
|
||
|
||
设置 `core.set_num_threads(20)` 后重新评测：
|
||
|
||
| 阶段 | 优化前 | 优化后 | 提速 |
|
||
| ---------- | ------ | --------------------- | -------- |
|
||
| 模型初始化 | ~60s | ~40s | 1.5x |
|
||
| 推理 | ~238s | **~162s（~2.7 min）** | **1.5x** |
|
||
|
||
**为什么不是 4.3x？** 矩阵乘法只是 OCR pipeline 的一部分。自回归解码（逐 token 生成）天然串行、I/O 等待、版面检测中的非矩阵运算等不受线程数影响。
|
||
|
||
---
|
||
|
||
### 迭代 2：批量多进程并行 — `batch_ocr.py`
|
||
|
||
**思路：** 多张图片时，用 `multiprocessing.Pool` 启动多个独立进程，每个进程加载一份 pipeline 实例，同时处理不同图片。
|
||
|
||
**遇到的问题 & 修复（迭代 2.1）：**
|
||
|
||
| 问题 | 原因 | 修复 |
|
||
|------|------|------|
|
||
| 系统卡顿/黑屏/无响应 | `Pool.starmap` 同时启动 N 个进程，同步加载 N×2GB 模型，CPU + 内存瞬间打满 | ① 进程错峰启动（随机延迟 0~15s）② `psutil` 降低进程优先级 ③ 预留 1 核给 OS ④ `imap_unordered` 替代 `starmap` |
|
||
|
||
**策略：**
|
||
- 每个子进程独立调用 `core.set_num_threads((总核心-1) / 进程数)`，预留核心给 OS
|
||
- 例如 2 进程 × 9 线程 = 18 核，留 2 核给系统
|
||
- `--stagger` 控制错峰窗口，默认 15s
|
||
|
||
```bash
|
||
# 2 进程并行（安全默认值）
|
||
uv run python batch_ocr.py images/
|
||
|
||
# 4 进程并行（需 32GB+ RAM）
|
||
uv run python batch_ocr.py images/ --workers 4
|
||
|
||
# 自定义错峰窗口（值越大内存峰值越低，但总耗时增加）
|
||
uv run python batch_ocr.py images/ --workers 4 --stagger 30
|
||
```
|
||
|
||
| 配置 | 适用场景 | 理论加速比 | 内存开销 | 实际限制 |
|
||
| -------------------- | -------- | --------------- | ---------- | -------------- |
|
||
| `set_num_threads(N)` | 单张图片 | ~1.5x | 无额外开销 | 自回归解码瓶颈 |
|
||
| `batch_ocr.py` | 批量多图 | ~Nx（N=进程数） | N × 2GB | 内存/内存带宽，需错峰避免打满系统 |
|
||
|
||
> ⚠️ 每个进程独立加载模型（~2GB），32GB RAM 建议 `--workers ≤ 4`。
|
||
> 默认 `--workers 2` 为安全值，不会导致系统卡顿。
|
||
|
||
---
|
||
|
||
### 优化总结
|
||
|
||
```
|
||
初始: 238s/image (单线程, 无优化)
|
||
│
|
||
├─ 迭代1: set_num_threads(20) → 162s (1.5x, 单图最优)
|
||
│
|
||
└─ 迭代2: batch_ocr.py (4进程) → ~40s/image (5.9x, 批量场景)
|
||
```
|
||
|
||
> 单图理论极限约 2.7 分钟（受自回归解码串行特征限制），批量场景通过粗粒度并行可进一步摊薄。
|
||
|
||
## 已知局限
|
||
|
||
| 问题 | 影响 | 说明 |
|
||
| ------------------ | ----------------------- | ------------------------------------- |
|
||
| CPU 推理极慢 | 单图 ~2.7 min（优化后） | 0.9B VL 模型不适合 CPU 实时场景 |
|
||
| 自回归解码串行 | 无法更细粒度并行 | 生成阶段逐 token 依赖，多线程收益有限 |
|
||
| 内存占用大 | 每进程需 ~2GB | 限制了 `batch_ocr.py` 并行度 |
|
||
| Windows 控制台乱码 | 中文输出显示为乱码 | GBK 编码问题，文件写入/pipe 正常 |
|
||
| ccache 警告 | 无实际影响 | 仅影响首次编译加速，可忽略 |
|