RapidOcrCpp

介绍

该项目通过MNN(Alibaba)/Ncnn(Tencent)/OnnxRuntime(Microsoft)等推理引擎，通过DbNet/AngleNet/CrnnNet,通过引擎携带转换器转换paddle(百度飞浆)模型来识别OCR文字

软件架构

项目目前只是利用各引擎的CPU部分来识别，降低学习门坎，通过简单注册工厂模式，将引擎打包到动态、静态库，方便调用

/include/RapidOcr               //源码.h目录
/include/RapidOcr/Core              //核心.h目录 
/include/RapidOcr/Provider          //引擎.h目录
/src                            //源码.cpp目录
/src/Core                           //核心.cpp目录
/src/Provider                       //引擎.cpp文件目录
/cmake                          //cmake脚本目录
/cmake/RapidOcrConfig.cmake.in      //项目发布cmake配置模板
/cmake/RapicOcr.pc.in               //项目发布pkgconfig配置模板
/cmake/RapidOcrSourceConfig.cmake   //源码配置脚本
/cmake/FindDepsPath.cmake           //封装按cmake目录规则，查找依赖目录
/cmake/FindDepend.cmake             //依赖查找脚本
/cmake/RapidOcrBuild.cmake          //编译脚本
/cmake/RapidOcrInstall.cmake        //安装脚本
/deps                           //依赖库目录
/deps/Ncnn                          //依赖库Ncnn目录
/deps/MNN                           //依赖库MNN目录
/deps/OnnxRuntime                   //依赖库OnnxRuntime目录
/models                         //模型目录
/models/Ncnn                        //Ncnn模型目录
/models/MNN                         //MNN模型目录
/models/OnnxRuntime                 //OnnxRuntime模型目录
/CMakeLists.txt         //cmake主文件

/test                   //单文件测试目录

安装教程

1. 下载源码

    git clone https://gitee.com/A_knife/RapidOcrCpp

2. 编译依赖

    在deps目录下各依赖有ReadMe.md文件，根据提示编译即可，不同平台可自行填加编译参数
    在window下如果使用官方依赖.dll，请自行按cmake标准目录存放，制件依赖xxxxConfig.cmake
    ├── deps/                  # ===== 第三方依赖 =====
    │   ├── onnxruntime/
    │   │   ├── Linux/
    │   │   ├── macOs/
    │   │   └── Windows/
    │   │       ├── include/
    │   │       │   └── onnxruntime/
    │   │       ├── lib/cmake/onnxruntime/onnxruntimeConfig.cmake
    │   │       └── bin/
    │   │
    │   ├── ncnn/
    │   │   ├── Linux/
    │   │   ├── macOs/
    │   │   └── Windows/
    │   │       ├── include/
    │   │       │   └── ncnn/
    │   │       ├── lib/cmake/ncnn/ncnnConfig.cmake
    │   │       └── bin/
    │   │
    │   ├── MNN/
    │   │   ├── Linux/
    │   │   ├── macOs/
    │   │   └── Windows/
    │   │       ├── include/
    │   │       │   └── MNN/
    │   │       ├── lib/cmake/MNN/MNNConfig.cmake
    │   │       └── bin/
    │   │
    注：项目中cmake/FindDepsPath中列出了常见目录结构，在Cmake构建时会给出[DEBUG]提示

3. 选择项目引擎

    在项目根目录下CMakeLists.txt中有
    BUILD_WITH_ONNXRUNTIME=ON(启用OnnxRuntime引擎)
    BUILD_WITH_NCNN=ON(启用Ncnn引擎)
    BUILD_WITH_MNN（启用MNN引擎），
    注，引擎可编译时选择一个、二个，三个打包

4. 其它编译参数说明 -DDEPS_PATH=指定存放依赖的目录，默认/deps -DCMAKE_BUILD_TYPE=Release | Debug 暂不持其它方式 -DBUILD_SHARED_LIBS=ON | OFF 默认ON，输出libRapidOcr.so/RapidOcr.dll -DBUILD_WITH_JNI=ON | OFF 默认OFF，ON输出libRapidOcr_jni.so/RapidOcr_jni.dll -DBUILD_OUTPUT_BIN=ON | OFF 默认ON,输出带调试信息的二进制可执行控制台代码 -DBUILD_OUTPUT_TEST=ON | OFF 默认OFF,编译/test目录下的c/cxx调用RapidOCR的测试代码 -DCMAKE_INSTALL_PREFIX=指定安装目录 将生成的库和二进制代码+头文件，安装到指定目录，实现下游调用

使用说明

1. 项目代码编译可生成静态库、动态库和二进制测试可执行
2. 安装后的RapidOcr遵循cmake标准目录结构，供下游find_package使用，也可以支持pkg调用
3. 以RapidOcr为中间件的，参考/test目录下的使用方式
4. RapidOcr不做中间件的，/src/Core/Main.cpp可以直接输出二进制

项目引用

依赖与致谢 (Dependencies & Acknowledgements)

本项目使用了以下优秀的推理框架来实现模型部署：

• OpenCV

  • 用途：图像读写、色彩空间转换、仿射变换、结果绘制
  • 官网：https://opencv.org
  • 仓库：https://github.com/opencv/opencv
  • 协议：Apache-2.0 License

• ONNX Runtime

  • 用途：跨平台高性能推理。
  • 官网：https://onnxruntime.ai
  • 仓库：https://github.com/microsoft/onnxruntime
  • 协议：MIT License

• ncnn

  • 用途：移动端/嵌入式端高性能计算。
  • 官网：https://github.com/Tencent/ncnn
  • 协议：BSD-3-Clause License

• MNN (Mobile Neural Network)

  • 用途：轻量级端侧推理。
  • 官网：https://www.mnn.zone
  • 仓库：https://github.com/alibaba/MNN
  • 协议：Apache-2.0 License

• OpenVINO™ Toolkit

  • 用途：Intel 硬件平台加速。
  • 官网：https://software.intel.com/openvino
  • 仓库：https://github.com/openvinotoolkit/openvino
  • 协议：Apache-2.0 License

OCR 推理模块 （Fork）

本项目 Fork 并定制 了

1. RapidAI/RapidOcrOnnx
2. RapidAI/RapidOcrNcnn

   修改内容：

   • 去除原项目中GPU部分
   • 合并两个项目共有部分，相近部分代码做了调整
   • 重构目录结构和重新制作CMAKE编译，暂不对 FOR Windows 编译/MT方式支持

（C++ OCR 推理引擎，基于 ONNX Runtime，底层模型为 PP-OCRv3 系列 ONNX 格式）：

参与贡献

1. Fork 本仓库
2. 新建 Feat_xxx 分支
3. 提交代码
4. 新建 Pull Request