手把手0基础Centos下安装与部署paddleOcr教程

一、环境准备与系统检查

1.1 系统版本确认

CentOS系统需满足7.x或8.x版本要求，通过cat /etc/redhat-release命令可查看系统版本。若版本低于7.x，建议升级系统或使用Docker容器化部署。

1.2 基础依赖安装

执行以下命令安装编译环境与工具链：

sudo yum install -y epel-release
sudo yum groupinstall -y "Development Tools"
sudo yum install -y wget curl git python3 python3-devel cmake

特别说明：PaddleOCR需要Python3.6+环境，CentOS 7默认Python版本较低，需通过sudo yum install -y centos-release-scl后安装devtoolset-9和python36。

二、Python虚拟环境配置

2.1 虚拟环境创建

使用python3 -m venv paddle_env创建独立环境，激活命令如下：

source paddle_env/bin/activate

虚拟环境可隔离项目依赖，避免系统Python库冲突。

2.2 依赖库安装

通过pip安装核心依赖：

pip install --upgrade pip
pip install paddlepaddle==2.4.0  # 根据GPU/CPU选择版本
pip install paddleocr opencv-python

GPU版本安装需提前安装CUDA和cuDNN，可通过nvidia-smi验证GPU环境。

三、PaddleOCR代码获取与配置

3.1 代码仓库克隆

使用git获取最新代码：

git clone https://github.com/PaddlePaddle/PaddleOCR.git
cd PaddleOCR

建议定期执行git pull获取更新，修复已知问题。

3.2 配置文件修改

进入configs目录，根据需求修改配置文件：

• det_db_icdar15_train.yml：检测模型配置
• rec_chinese_common_train.yml：识别模型配置
• ppocr_utils.py：路径与参数设置

关键参数说明：

Global:
  use_gpu: True  # 根据硬件配置调整
  epoch_num: 500
  log_smooth_window: 20

四、模型与权重下载

4.1 预训练模型获取

官方提供三种模型下载方式：

1. 命令行下载：

   wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_det_infer.tar
   tar -xf ch_ppocr_mobile_v2.0_det_infer.tar

2. Python脚本下载：

   from paddleocr import PaddleOCR
   ocr = PaddleOCR(det_model_dir='./inference/ch_ppocr_mobile_v2.0_det_infer')

3. 手动下载：从PaddleOCR Release页面获取模型包

4.2 模型放置路径

解压后的模型文件需放置在inference目录下，结构示例：

inference/
├── ch_ppocr_mobile_v2.0_det_infer/
│   ├── inference.pdmodel
│   └── inference.pdiparams
└── ch_ppocr_mobile_v2.0_rec_infer/

五、运行与测试

5.1 基础命令测试

执行以下命令进行图片识别：

python3 tools/infer_rec.py -c configs/rec/rec_chinese_common_train.yml \
--image_dir="./doc/imgs_words/ch/word_1.jpg" \
--rec_model_dir="./inference/ch_ppocr_mobile_v2.0_rec_infer/" \
--rec_char_dict_path="./ppocr/utils/ppocr_keys_v1.txt"

参数说明：

• -c：指定配置文件
• --image_dir：测试图片路径
• --rec_model_dir：识别模型路径

5.2 服务化部署

使用Flask构建API服务：

from flask import Flask, request, jsonify
from paddleocr import PaddleOCR
app = Flask(__name__)
ocr = PaddleOCR(use_angle_cls=True, lang="ch")
@app.route('/predict', methods=['POST'])
def predict():
    file = request.files['image']
    img_path = "./temp.jpg"
    file.save(img_path)
    result = ocr.ocr(img_path, cls=True)
    return jsonify(result)
if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

启动命令：python3 app.py

六、常见问题解决方案

6.1 内存不足错误

现象：CUDA out of memory
解决方案：

1. 减小batch_size参数
2. 使用export FLAGS_fraction_of_gpu_memory_to_use=0.5限制显存使用
3. 升级GPU或使用CPU模式（use_gpu=False）

6.2 依赖冲突问题

现象：ModuleNotFoundError或版本冲突
解决方案：

1. 创建全新虚拟环境
2. 使用pip check检测依赖冲突
3. 指定版本安装：pip install paddlepaddle==2.4.0 paddleocr==2.6.0

6.3 模型加载失败

现象：Cannot load inference model
解决方案：

1. 检查模型文件是否完整
2. 确认模型路径配置正确
3. 重新下载模型文件

七、性能优化建议

7.1 硬件加速配置

• GPU部署：安装对应版本的CUDA（10.2/11.2）和cuDNN
• CPU部署：启用MKL优化（export USE_MKLDNN=TRUE）

7.2 模型量化

使用动态图量化减少模型体积：

from paddle.vision.models import resnet50
model = resnet50(pretrained=True)
paddle.jit.save(model, './quant_model')

7.3 多进程处理

通过multiprocessing实现并行预测：

from multiprocessing import Pool
def process_image(img_path):
    result = ocr.ocr(img_path)
    return result
if __name__ == '__main__':
    img_list = ["img1.jpg", "img2.jpg"]
    with Pool(4) as p:
        results = p.map(process_image, img_list)

八、扩展功能实现

8.1 自定义字典训练

1. 准备标注数据（JSON格式）
2. 修改ppocr/utils/dict目录下的字典文件
3. 调整配置文件中的character_dict_path参数

8.2 多语言支持

通过lang参数切换语言模型：

ocr = PaddleOCR(use_angle_cls=True, lang="fr")  # 法语模型

需下载对应语言的预训练模型。

8.3 分布式训练

使用paddle.distributed.launch启动多卡训练：

python3 -m paddle.distributed.launch --gpus="0,1" tools/train.py \
-c configs/det/det_mv3_db.yml

九、维护与更新

9.1 版本升级

通过git pull获取代码更新后，需重新安装依赖：

pip install --upgrade -r requirements.txt

9.2 日志分析

训练日志存储在output/目录下，关键指标包括：

• acc: 识别准确率
• loss: 损失值
• fps: 处理速度

9.3 备份策略

建议定期备份：

1. 模型权重文件
2. 自定义配置文件
3. 训练日志数据

本教程完整覆盖了从环境搭建到服务部署的全流程，特别针对0基础用户设计了分步操作指南。实际部署时建议先在测试环境验证，再迁移到生产环境。遇到具体问题时，可参考PaddleOCR官方GitHub的Issues板块获取解决方案。