登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了基于PaddleOCR-2.7框架的OCR模型训练流程，主要包括环境配置、数据标注、文本检测和识别训练四个部分。首先配置了CUDA 11.6环境并安装PaddlePaddle和相关依赖。其次使用PPOCRLabel工具进行数据标注，生成训练所需的Label.txt和rec_gt.txt文件。然后详细说明了文本检测模型的训练过程，包括配置文件修改、训练执行、模型验证和导出。最后介绍了文本识
在用命令paddleocr text_detection -i ./data/test/plateimages --model_name PP-OCRv5_mobile_det测试的时候出现了问题。8、按照上面的方式只能测试pp-ocrv3和pp-ocrv4，测试不了pp-ocrv5。下载download_ch.md，在这个里面发现了pp-ocrv5模型的下载。说是卸载，按照下面这个文档重新安装，
摘要：本文介绍了如何使用ATC工具将ONNX模型转换为NPU可执行的OM文件。ATC不仅进行格式转换，还涉及算子验证、图优化和量化处理。文章详细讲解了ATC命令行使用方法，包括静态/动态shape转换、精度模式选择（fp16/fp32）、算子融合优化以及AIPP预处理模块配置。通过实际案例说明常见问题（如动态shape报错）和性能优化技巧，帮助开发者高效部署模型到NPU硬件。
本文介绍了将PaddlePaddle模型转换为ONNX格式的方法。指出新版本Paddle2ONNX（2.1.0）使用inference.json文件而非旧版的model.pdmodel文件。文章详细说明了转换命令格式，并提供了三个具体转换示例（文本检测、识别和方向分类模型）。同时给出了官方模型下载链接和转换后的效果展示。注意事项部分强调版本兼容性：PaddlePaddle需≥3.0.0且≤3.1.
之前帮一个团队做 PaddlePaddle 模型迁移，他们用的是 PP-YOLOe 做目标检测，在 GPU 上跑得好好的，换成昇腾NPU 后直接报了一堆算子不支持的错误。，把 PaddlePaddle 的算子映射成昇腾CANN 的算子。
最新的ppocrv5模型训练过程，搭配上一个环境配置的文章使用。训练之前我已经用paddlelabel标注好了五百多张图片，我训练模型是为了识别书脊的文字。
飞桨开源框架(PaddlePaddle)是一个易用、高效、灵活、可扩展的深度学习框架。飞桨（PaddlePaddle，以下简称Paddle）和其他深度学习框架一样，使用Tensor来表示数据，在神经网络中传递的数据均为Tensor。Tensor可以将其理解为多维数组，其可以具有任意多的维度，不同Tensor可以有不同的数据类型 (dtype) 和形状 (shape)。同一Tensor的中所有元素的
本文记录了将PaddleOCR模型转换为RKNN格式的具体实现过程。，文中将对转换步骤、遇到的问题及解决方案进行详细说明。
上面已经制作完数据集 ，现在开始进行模型训练。数据集制作请参考：PaddleOCR系列——《文本检测、文本识别、表格结构》数据集制作_ppocrlabel-CSDN博客官方文档：文本检测模块 - PaddleOCR 文档文本识别模块 - PaddleOCR 文档https://github.com/PaddlePaddle/PaddleOCR.git再或者GitHub - PaddlePaddle
表格单元格检测模块是表格识别任务的关键组成部分，负责在表格图像中定位和标记每个单元格区域，该模块的性能直接影响到整个表格识别过程的准确性和效率。表格单元格检测模块通常会输出各个单元格区域的边界框（Bounding Boxes），这些边界框将作为输入传递给表格识别相关产线进行后续处理。注意：“单元格检测模型”返回的是表格中每个单元格坐标框（包括合并的），与后面的“表格结构识别模型”息息相关，当然也可
Stateflow 是 MATLAB 中一个强大的工具，它允许我们以图形化的方式创建有限状态机（FSM）。有限状态机听起来很高大上，但简单来说，就是一个可以在不同状态之间切换，并且根据输入条件执行不同动作的系统。用 Stateflow 来实现多电池 SOC 均衡控制，就像是给电池管理系统搭建了一个聪明的“大脑”，它能根据电池的实时 SOC 状态做出明智的决策。首先，我们在 Stateflow 中定
摘要：分布式训练技术已成为深度学习领域应对大规模数据和模型训练的关键解决方案。本文介绍了两种主要训练模式：集合通信模式适用于CV/NLP等稠密参数模型，通过数据并行、参数切片等技术实现高效训练；参数服务器模式则针对搜索推荐等稀疏参数场景，采用中心化参数管理方式。飞桨框架在此基础上研发了多项领先技术，包括4D混合并行、异构多云训练、通用参数服务器等，在MLPerf等基准测试中展现出卓越性能，支持了文
模型自动化压缩工具（ACT）通过量化、蒸馏、剪枝等技术实现深度学习模型的小型化，显著提升推理速度并降低资源消耗。相比传统手工压缩，ACT具有三大优势：解耦训练代码实现零代码修改，全流程自动优化简化操作流程，支持多种压缩算法灵活组合。实际测试显示，在MobileNetV1等模型上，压缩后精度损失小于0.1%，推理速度提升1.4-7.1倍。该工具支持飞桨和PyTorch框架，提供硬件感知优化和超参自动
星河产业应用创新奖”自 2020 年开始评选，截至目前，已有 146 个创新应用案例从万千产业应用中脱颖而出，获得“星河产业应用创新奖”，成为企业创新先锋者。，与飞桨和文心大模型生态携手合作，共同推进这场产业创新赛事，为各赛道夺冠的优秀项目提供算力权益，助力 AI 产业实现高效、快速发展。四大赛道，征集具备前瞻性的解决方案与产品应用，探索 AI 技术的前沿边界，鼓励从底层算法到软硬协同的全栈式创新
