ocr通过paddle serving部署 docker

以下是通过Paddle Serving部署OCR的Docker的步骤：

1.首先，需要拉取Paddle Serving的镜像。可以使用以下命令拉取最新版本的Paddle Serving镜像：

docker pull hub.baidubce.com/paddlepaddle/serving:latest-cpu

2.接下来，需要将OCR模型部署到Paddle Serving中。可以使用以下命令将模型部署到Paddle Serving中：

python3 -m paddle_serving_server.serve --model ocr_system --port 9292 --gpu_id 0

其中，`ocr_system`是OCR模型的名称，`9292`是服务端口号，`0`是GPU的ID。

3.最后，需要使用Docker将Paddle Serving部署到容器中。可以使用以下命令将Paddle Serving部署到Docker容器中：

docker run -p 9292:9292 -it hub.baidubce.com/paddlepaddle/serving:latest-cpu

其中，`9292`是服务端口号。

相关问题

ocr通过paddle serving部署

OCR（Optical Character Recognition）是一种将图像中的文字转换为可编辑和可搜索文本的技术。Paddle Serving是一个高性能、灵活、易用的模型服务部署框架，可以帮助用户快速部署和管理机器学习模型服务。以下是通过Paddle Serving部署OCR的步骤：

1. 准备OCR模型和标签文件。可以使用PaddleOCR等OCR模型，标签文件是一个包含所有类别名称的文本文件。

2. 安装Paddle Serving。可以使用pip安装Paddle Serving：

   pip install paddle-serving-server paddle-serving-client

3. 启动Paddle Serving服务端。可以使用以下命令启动服务端：

   # 启动服务端
   serving --model ocr_system/ --port 9292 --gpu_id 0

其中，--model指定OCR模型的路径，--port指定服务端口号，--gpu_id指定使用的GPU编号。

4. 在客户端中使用OCR服务。可以使用以下Python代码调用OCR服务：

   from paddle_serving_client import Client
   from paddle_serving_app.reader import OCRReader
   from paddle_serving_app.reader import Sequential, URL2Image
   from paddle_serving_app.reader import Resize, File2Image
   from paddle_serving_app.reader import Div, Normalize, Transpose
   from paddle_serving_app.reader import ToTensor, KeepKeys

   client = Client()
   client.load_client_config("ocr_system/serving_client/serving_client_conf.prototxt")
   client.connect(["127.0.0.1:9292"])

   ocr_reader = OCRReader()
   ocr_reader.init_hook()

   seq = Sequential([
       URL2Image(),       Resize(resize_short=736),
       Div(255.0),
       Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225], True),
       Transpose((2, 0, 1)),
       ToTensor(),
       KeepKeys(keys=["image"])
   ])

   with open("doc/imgs_words_det.jpg", "rb") as f:
       image_data = f.read()
   image = seq({"url": image_data})["image"]
   fetch_map = client.predict(feed={"image": image}, fetch=["ctc_greedy_decoder_0.tmp_0"])
   print(fetch_map)

其中，--model指定OCR模型的路径，--port指定服务端口号，--gpu_id指定使用的GPU编号。

paddle ocr部署

### PaddleOCR 部署教程和指南

#### Python环境下的PaddleOCR部署

对于Python环境下PaddleOCR的安装与配置，按照官方提供的文档可以顺利完成。这包括但不限于确保环境中已正确安装Python以及pip工具，并利用pip命令来安装必要的依赖包[^1]。

pip install paddleocr

完成上述操作之后，便可以通过简单的几行代码实现OCR功能：

from paddleocr import PaddleOCR, draw_ocr
ocr = PaddleOCR(use_angle_cls=True, lang='en')  # need to run only once to download and load model into memory
result = ocr.ocr('example.jpg', cls=True)
for line in result:
    print(line)

此段代码展示了如何加载预训练模型并对图像文件`example.jpg`执行字符识别任务。

#### Windows平台下C++版本的PaddleOCR部署

针对Windows平台上采用C++接口调用PaddleOCR的情况，则需准备Visual Studio 2019社区版及CMake 3.0以上的开发环境。此外，还需下载对应于目标系统的[Paddle Inference Library](https://www.paddlepaddle.org.cn/install/inference_lib)，即PaddlePaddle C++预测库的一部分[^2]。

具体来说，在构建应用程序之前要先设置好这些外部依赖项的位置路径；接着编写源码链接至静态或动态链接库形式发布的推理引擎API接口函数，从而实现在本地机器上运行基于深度学习的文字检测与识别服务。

#### Jetson Nano设备上的PaddleOCR部署

当考虑在嵌入式计算单元如NVIDIA Jetson Nano上快速搭建起一套轻量级但高效的光学字符读取解决方案时，可参照特定硬件架构优化过的镜像资源简化前期准备工作。例如，通过预先打包好的Docker容器映像一键拉取所需软件栈，进而绕过繁琐的手动编译环节直接进入应用层测试阶段[^3]。

#### 基于RKNN加速器的移动端PaddleOCR部署

最后介绍一种面向边缘计算场景的应用案例——将PaddleOCR转换成ONNX格式再进一步转化为Rockchip NPU支持的目标文件(.rknn)，以此充分利用ARM处理器内置的人工智能协处理单元提升性能表现。经实验验证，在小型化输入样本条件下平均响应时间不超过半秒钟，而面对复杂度较高的实例也能保持在一两秒之内完成整个流程[^4]。