最近，由PaddleOCR原创团队，针对PP-OCR进行了一些经验性改进，构建了一种新的OCR系统，称为PP-OCRv2。
从算法改进思路上看，主要有五个方面的改进：
从效果上看，主要有三个方面提升：
GitHub项目:
PaddleOCR
历史表现回顾
开源能力速览
（1）通用文本检测识别效果：支持通用场景下的OCR文本快速检测识别
（2）文本合成工具Style-Text效果：相比于传统的数据合成算法，Style-Text可以实现特殊背景下的图片风格迁移，只需要少许目标场景图像，就可以合成大量数据，效果展示如下：
（3）半自动标注工具PPOCRLabel：通过内置高质量的PP-OCR中英文超轻量预训练模型，可以实现OCR数据的高效标注。CPU机器运行也是完全没问题的。用法也是非常的简单，标注效率提升60%-80%是妥妥的，效果演示如下：
（4）文档结构分析+表格提取PP-Structure：可以对文档图片中的文本、表格、图片、标题与列表区域进行分类，还可以利用表格识别技术完整地提取表格结构信息，使得表格图片变为可编辑的Excel文件。
（5）核心能力全部可以自定义训练，动静统一的开发体验
动态图和静态图是深度学习框架常用的两种模式。在动态图模式下，代码编写运行方式符合Python程序员的习惯，易于调试，但在性能方面，Python执行开销较大，与C++有一定差距。相比动态图，静态图在部署方面更具有性能的优势。静态图程序在编译执行时，预先搭建好的神经网络可以脱离Python依赖，在C++端被重新解析执行，而且拥有整体网络结构也能进行一些网络结构的优化。
PaddleOCR依赖飞桨核心框架动静统一的能力，支持用户使用动态图编写组网代码。预测部署时，飞桨会对用户代码进行分析，自动转换为静态图网络结构，兼顾了动态图易用性和静态图部署性能两方面优势。
传送门：
那么最近的2021年9月份更新，PaddleOCR又给大家带来哪些惊喜呢？
PP-OCRv2
五大关键技术点深入解读
全新升级的PP-OCRv2版本，整体的框架图保持了与PP-OCR相同的Pipeline，如下图所示。
（1）检测模型优化：采用CML(CollaborativeMutualLearning)协同互学习知识蒸馏策略。
如上图所示，CML的核心思想结合了①传统的Teacher指导Student的标准蒸馏与②Students网络直接的DML互学习，可以让Students网络互学习的同时，Teacher网络予以指导。对应的，精心设计关键的三个Loss损失函数：GTLoss、DMLLoss和DistillLoss，在Teacher网络Backbone为ResNet18的条件下，对Student的MobileNetV3起到了良好的提升效果。
（2）检测模型优化：CopyPaste数据增广策略
数据增广是提升模型泛化能力重要的手段之一，CopyPaste是一种新颖的数据增强技巧，已经在目标检测和实例分割任务中验证了有效性。利用CopyPaste，可以合成文本实例来平衡训练图像中的正负样本之间的比例。相比而言，传统图像旋转、随机翻转和随机裁剪是无法做到的。
CopyPaste主要步骤包括：
这样，就比较好的提升了样本丰富度，同时也增加了模型对环境鲁棒性。
经过以上两个检测方向的优化策略，PP-OCRv2检测部分的实验效果如下：
这里，PP-OCRv2的研发团队提出了一种基于MobileNetV1改进的新的骨干网络LCNet，主要的改动包括：
①除SE模块，网络中所有的relu替换为h-swish，精度提升1%-2%
②LCNet第五阶段，DW的kernelsize变为5x5，精度提升0.5%-1%
③LCNet第五阶段的最后两个DepthSepConvblock添加SE模块，精度提升0.5%-1%
④GAP后添加1280维的FC层，增加特征表达能力，精度提升2%-3%
在标准的DML知识蒸馏的基础上，新增引入了对于FeatureMap的监督机制，新增FeatureLoss，增加迭代次数，在Head部分增加额外的FC网络，最终加快蒸馏的速度同时提升效果。
考虑到中文OCR任务经常遇到的识别难点是相似字符数太多，容易误识，借鉴MetricLearning的想法，引入CenterLoss，进一步增大类间距离，核心思路如上图公式所示。
经过以上五个方向的优化，最终PP-OCRv2仅以少量模型大小增加的代价，全面超越PP-OCR，取得了良好的效果。
良心出品
中英文文档教程
随着本次PP-OCRv2升级，PaddleOCR的项目文档也全面升级，结构更清晰，内容更丰富。
别的不需要多说了，大家访问GitHub点过star之后自己体验吧：
9月8日晚20:15-21:30，百度高级研发工程师将为我们详细解析速度与精度都大幅提升的PaddleOCR，欢迎大家扫码报名直播课，加入技术交流群～