PaddleOCR产业实践之路：如何打造8.6M超轻量模型，一条龙解决训练部署问题

案例背景:
随着深度学习技术的发展，光学字符识别技术（OCR）被广泛的运用至各个场景之中，包括自然场景中文字识别、车牌识别、票据识别等等，是机器服务人类的重要场景之一。根据美国研究机构Grand View Research, Inc的最新报告，预计到2025年，全球光学字符识别市场规模将达到133.8亿美元。
但目前OCR发展面临着诸多难题，
（1）模型的效果和处理速度的要求：OCR应用常对接海量图片转文本数据，要求数据能够得到实时处理，甚至有一些OCR应用需要部署在移动端或嵌入式硬件，对OCR模型的大小和预测速度提出了很高的要求。
（2）自定义从训练到部署全流程的需求：自然环境复杂多样，机器识别面临着尺度、光照不足、拍摄模糊等问题。同时业务场景不同，也会导致通用的商业API无法满足多样性需求，迫切需要完整的自定义训练能力和支持多样的部署能力。

解决思路:
（1）打造8.6M超轻量模型：通过精选backbone、调整特征通道数等手段，在保证效果的前提下，不断压缩模型到8.6M，包含1个检测模型（4.1M）与1个识别模型（4.5M），非常适合于部署于移动端。
（2）打通从训练到部署全流程：模型训练精选2种检测算法（EAST、DB）、4种文本识别算法（CRNN、Rosseta、STAR-Net、RARE），基本可以覆盖常见的OCR任务需求。支持基于Python/C++的预测推理、支持Serving服务化部署、支持端侧部署等丰富的部署方式，同时还提供了在线演示、Apk Demo供开发者尝试使用。

成果：
PaddleOCR开源项目经媒体报道后，引起全球开发者的热切关注和广泛好评，媒体发稿第二天，登上GitHub Trending全球榜第一名，并且截至分享者提供材料之时，项目持续保持在周榜TOP3位置，技术交流群大量企业开发者完成企业项目落地。