by 现阶段根据神经网络算法的OCR技术性，如雨后春笋的在开源平台上窜了出来，如 PaddleOCR、ChineseOCR、ChineseOCR-lite等；
根据具体构建核对，存有如下所示不够：
识别速率层面（一般网络服务器：8核、16G运行内存的场景中），一张A4的图片，主题鲜明前提下，一般一张图片识别速率≥30S图片的层面对识别内容包括较大影响；正常拍摄手法，识别出去内容不容易乱序，而转动90度后，识别实际效果较弱；混合开发能力、多语言适用较弱，一般仅支持python、C ，别的语言必须通过协议对接，如Http Restful通讯协议等；模型优化更新慢；一般一部分开源产品，有可能是大型厂KPI的商品，存有长期不升级更新的状况，而新手自身也不具有提升能力，因而，也让商品进不去产品化情景；
今天分享的OCR开源平台 RapidOCR，适用应用python/c /JAVA/swift/c# 各种语言，同时提供相对应的SDK，适用线下布署或编译；也支持X86/ARM架构的混合开发移殖；
服务平台基本上每一个月都是会对于实体模型识别精确度、识别效率和速率进行相应的提升，并公布有关模型包；
系统软件整体框架全过程
官方网所提供的工程项目实例（C 、Java、.Net、Android、Python等）：
RapidOCR├── android # 安卓系统工程项目目录├── api4cpp # c语言混合开发插口库源代码目录，直接使用根下的CMakelists.txt 编译├── assets # 一些演试使用的图片，并不是验证集├── commonlib # 通用性库├── cpp # 根据c 的建筑项目文件夹名称├── datasets # 常见OCR有关数据归纳├── dotnet # .Net程序流程目录├── FAQ.md # 一些互动问答梳理├── images # 一般用图片，二张最典型的测试图，一张是自然场景，另一个为长文本├── include # 编译c语言插口库后的库函数目录├── ios # iPhone服务平台工程项目目录├── jvm # 根据java工程项目目录├── lib # 编译用元件库目录，用以编译c语言插口库用，默认设置并不是提交二进制文件├── ocrweb # 根据python和Flask web├── python # python逻辑推理编码目录├── release # 公布的sdk└── tools # 一些变换脚本制作这类
部署应用方法（Docker方法，这儿奉献Dockerfile）：
FROM python:3.7-slim
MAINTAINER "frank"# 更换源RUN apt-get update \ && apt-get install -y g gcc python3-opencv \ && apt-get clean# && rm -rf /var/lib/apt/lists/*
ENV PIPURL "https://mirrors.aliyun.com/pypi/simple"
WORKDIR /opt/ocr
COPY . .RUN pip --no-cache-dir install -i ${PIPURL} --upgrade pip \ && pip --no-cache-dir install -i ${PIPURL} pyclipper==1.2.0 Shapely==1.7.1 onnxruntime==1.7.0 opencv_python==4.5.1.48 six==1.15.0 numpy==1.19.2 Pillow==8.3.0 flask
EXPOSE 9003
WORKDIR /opt/ocr/ocrweb
CMD python main.py
脚本制作实例：
Python版本号（其他版本暂时不例举）
# 适用 对图片 文本检测 方位归类 文字识别from ch_ppocr_mobile_v2_cls import TextClassifierfrom ch_ppocr_mobile_v2_det import TextDetectorfrom ch_ppocr_mobile_v2_rec import TextRecognizer
det_model_path = 'models/ch_ppocr_mobile_v2.0_det_infer.onnx'cls_model_path = 'models/ch_ppocr_mobile_v2.0_cls_infer.onnx'rec_model_path = 'models/ch_ppocr_mobile_v2.0_rec_infer.onnx'
image_path = r'test_images/det_images/1.jpg'
text_sys = TextSystem(det_model_path, rec_model_path, use_angle_cls=True, cls_model_path=cls_model_path)dt_boxes, rec_res = text_sys(image_path)visualize(image_path, dt_boxes, rec_res)
在实践中，同样视频的图片，选用RapidOCR模型识别，速度上，基本上≤5s回到识别结论；
识别实例：
动态性识别图片
C 、JAVA 识别展现
.net 识别展现
有关问题，欢迎在评论区留言提出问题；欢迎各位关注点赞、关心、个人收藏~