PP-OCR: 3.5M超轻量中英文OCR模型详解(四) 文本识别优化瘦身策略_ppocr模型样本量

---

PP-OCR: A Practical Ultra Lightweight OCR System
论文地址：https://arxiv.org/abs/2009.09941
代码地址：https://github.com/PaddlePaddle/PaddleOCR

本文主要介绍PP-OCR中文本识别优化瘦身策略，首先会介绍实验环境，然后介绍超轻量骨干网络选择，数据增强，余弦学习率，增大特征图分辨率，正则化参数，预热学习率，头部轻量化，预训练大模型和PACT 量化的基本思路和消融实验。下图是PP-OCR中使用的文本识别算法CRNN的结构图，该图中虚线方框标出了骨干网络和网络头部部分。

1. 实验环境

文本识别的消融实验的训练集是从190万的真实数据中选择30万张图像，测试图像还是1.87万张真实图像。文中使用识别准确率（完全匹配率）指标用来评估一个文本识别器的效果。使用单个T4 GPU卡测试GPU时间，Intel® Xeon® Gold 6148 处理器测试CPU时间，骁龙855在手机上测试量化模型时间。
2.超轻量骨干网络选择
和文本检测类似，PP-OCR也是采用MobileNetV3作为文本识别的骨干网络。表1对比了不同骨干网络的文本识别效果。PP-OCR中选择MobileNetV3_small_x0.5对效果和效率进行折中。如果对大小不是很太敏感，MobileNetV3_small_x1也是一个不错的选择。

表1 不同骨干网络的文本识别效果

3.头部轻量化

通常会使用一个全连接层对序列特征进行编码，因此序列特征的维度对模型大小影响比较大，尤其对于中文需要识别6000多常见汉字的场景。从表2可以看出，将序列特征维度从256减小到48，模型大小从23M减小到4.6M，预测时间从17.27ms加速到12.26ms，识别准确率影响比较小。减小头部的序列特征的维度，速度收益比较明显。

表2 头部的不同通道数对文本识别效果的影响

4.数据增强

数据增强是提升文本识别效果的常用方法。除了在文本方向分类器章节中介绍的BDA（Base Data Augmentation，基于基本图像处理的数据增强），最近Luo等人针对文字识别提出的一种新的数据增强方法TIA，也是一种有效的策略。首先，设置一些参考点，然后将这些参考点进行随机扰动，并将相应的局部图像进行几何变换，形成新的变换图像。文章中的变换参数是可以学习的。在PP-OCR中，只使用在线数据增广，合成样本，并没有引入学习逻辑。从表3可以看出，不使用任何数据增广，也就是PP-OCR的v1.0版本策略，识别准确率只有0.5193。使用BDA数据增广，识别准确率大幅提升到0.5505。在后面的实验中，进一步使用TIA，可以使识别准确率提升0.9%，效果提升比较明显。


表3 数据增强、余弦学习率、增大特征图分辨率、正则化参数和预热学习对文本识别效果的影响

5.余弦学习率

如之前文本检测所述，采用余弦学习率可以有效提升模型效果。在文本识别中，同样非常有效。从表3可以看到，采用余弦学习率，识别准确率可以提升1.5%左右。
6.增大特征图分辨率
在PP-OCR中，文本识别的输入分辨率是3 * 32 * 320。MobileNetV3的原始stride变化策略并不适合文本识别。为了保留更多的水平方向图像的信息，除了第一次stride变化，其余stride变换都从（2，2）改为（2，1），为了进一步保留垂直方向图像的信息，将第二次stride变化，从（2，1）改为（1，1），整个网络的特征图的分辨率都变大。实验表明，特征图的分辨率变大，对识别效果影响很大。从表3可以看出，增大特征图的分辨率，识别准确率可以提升5.2%。

7.正则化参数

正则化一般是为了防止过拟合，添加到损失函数中。常用的正则化参数是L2正则化。如果使用L2正则化，整个网络权重值倾向变小，从而提升模型的泛化能力。从表3可以看出，正则化参数对识别结果影响很大。使用合适的正则化参数，识别准确率提升3.4%。

8.预热学习率

和文本检测类似，预热学习率也有助于提升文本识别效果。从表3可以看出，采用预热学习率，识别准确率提升0.7%左右。

9.预训练大模型

在图像分类、目标检测和图像分割中，使用ImageNet 1000训练的图像分类预训练模型，有助于模型快速收敛和效果提升。真实场景中，用于文本识别的数据往往有限，基于上千万场景丰富的数据训练的模型，也有助于真实场景中文本识别效果的提升。PP-OCR使用了1790万全量数据训练的模型，识别准确率是65.81%，然后在190万数据进行模型微调，识别准确率可以提升到69%。这个结论也说明，虽然全量数据场景丰富，对于特定场景效果不一定最优，对于特定场景的模型微调还是很有必要。

10.PACT 量化

与文本方向分类器类似，PP-OCR也采用PACT 量化减小模型大小。由于LSTM量化复杂性，目前的PP-OCR策略并没有对LSTM进行量化，实现中跳过该层。从表4可以看出，采用PACT量化文本识别，模型大小从4.6M减小到1.5M，预测时间从12ms降低到11ms，准确率有明显提升。预测时间提升不是很明显的原因是LSTM没有做量化导致的。准确率提升说明PACT 量化可以减小模型中的冗余，从而提升模型效果。

表 4 PACT 量化文本识别效果

---

感谢大家关注，PP-OCR: 3.5M超轻量中英文OCR模型详解系列总共有4个部分，列表如下：
(一) 简介、方案概览和数据
(二) 文本检测优化瘦身
(三) 文本方向分类器优化瘦身
(四) 文本识别优化瘦身
欢迎大家star PaddleOCR（https://github.com/PaddlePaddle/PaddleOCR），支持该repo的建设。感兴趣的朋友，可以加入Repo里面的PaddleOCR技术交流微信群，一起讨论OCR相关问题。