📖 使用说明 - CnOCR

https://github.com/breezedeus/cnocr

cnocr默认位置 /root/.cnstd/1.2/ppocr linux 目录
cnocr 默认ch_PP-OCRv3_det_infer.onnx

class CnOcr(object):
    def __init__(
        self,
        # 识别模型
        rec_model_name: str = 'densenet_lite_136-gru',
        *,
        # 检测模型
        det_model_name: str = 'ch_PP-OCRv3_det',
        cand_alphabet: Optional[Union[Collection, str]] = None,
        context: str = 'cpu',  # ['cpu', 'gpu', 'cuda']
        rec_model_fp: Optional[str] = None,
        rec_model_backend: str = 'onnx',  # ['pytorch', 'onnx']
        rec_vocab_fp: Union[str, Path] = VOCAB_FP,
        rec_more_configs: Optional[Dict[str, Any]] = None,
        rec_root: Union[str, Path] = data_dir(),
        det_model_fp: Optional[str] = None,
        det_model_backend: str = 'onnx',  # ['pytorch', 'onnx']
        det_more_configs: Optional[Dict[str, Any]] = None,
        det_root: Union[str, Path] = det_data_dir(),
        **kwargs,
    )
    

• context：预测使用的机器资源，可取值为字符串cpu、gpu、cuda:0等。默认为 cpu。此参数仅在 model_backend=='pytorch' 时有效。

• det_model_backend：'pytorch', or 'onnx'。表明检测时是使用 PyTorch 版本模型，还是使用 ONNX 版本模型。 同样的模型，ONNX 版本的预测速度一般是 PyTorch 版本的 2倍左右。 默认为 'onnx'。

用默认配置，即吃 CPU 也吃 GPU（在并发的情况下）qps 为 7

识别模型

rec_model_name: str = 'densenet',

检测模型

det_model_name: str = 'ch_PP-OCRv3_det',