1. 预测部署简介与总览
本章主要介绍PP-OCRv2系统的高性能推理方法、服务化部署方法以及端侧部署方法。通过本章的学习，您可以学习到：
- 根据不同的场景挑选合适的预测部署方法
- PP-OCRv2系列模型在不同场景下的推理方法
- Paddle Inference、Paddle Serving、Paddle Lite的推理部署开发方法
1.1 简介
在前面几个章节中，我们通过模型训练的方法，得到了训练好的模型，在使用它去预测的时候，我们首先需要定义好模型，然后加载训练好的模型，再将预处理之后的数据送进网络中进行预测、后处理，得到最终的结果。使用这种方法去进行预测，调试方便，但是预测效率比较低下。
针对上面的问题，对于训练得到的模型，一般有下面2种离线预测的方式。
- 基于训练引擎推理，也就是和训练使用同一套引擎，它调试方便，便于我们迅速定位问题，验证正确性。多为Python语言。
- 基于预测引擎推理，将训练得到的模型进行转换，去掉与推理无关的部分，使用这种方法可以加速预测。多为Python语言或C++。
二者具体的区别如下所示。
| 基于训练引擎推理 | 基于预测引擎推理 | |
|---|---|---|
| 特点 | 1. 和训练使用同一套引擎 2. 预测时需要定义网络模型 3. 不适合系统集成 | 1. 需要转换模型，去掉与推理无关的部分 2. 预测时无需定义网络模型 3. 适合系统集成 |
| 编程语言 | 多为Python | Python或者C++ |
| 预测步骤 | 1. Python端定义网络结构 2. 准备输入数据 3. 加载训练模型 4. 执行预测 | 1. 准备输入数据 2. 加载模型结构和模型参数 3.执行预测 |
在实际离线预测部署中，更推荐基于预测引擎进行推理。
从应用场景来看，飞桨针对不同应用场景，提供了下面一些推理部署方案。
飞桨的不同部署方案
具体地，PaddleOCR 针对不同应用场景，提供了三种预测部署方案。
- Inference的离线预测，这种方式主要应用在对预测响应的及时性要求不高，特别是需要大量图片预测的场景。像文档电子化、广告信息提取等。虽然不能及时响应预测请求，但是没有网络延时，计算效率比较高，数据安全性很高。
- Serving服务化部署，这种方式主要应用在对预测响应的及时性要求很高的场景，像商业化OCR的API接口、实时拍照翻译、拍题等场景。虽然这种方式能及时对预测需求及时响应，但是网络耗时开销比较大，GPU利用率往往不高，而且存在数据安全风险。
- Lite端侧部署，这种方式主要希望模型部署到手机、机器人等端侧设备上，主要考虑部署方便和数据安全性，像手机APP里面身份证识别、银行卡识别，工业应用场景的仪表监控识别等。这种方法，对OCR模型的大小比较敏感。虽然没有网络延时，数据安全性很高，但是由于算力限制，预测效率不高。
本章基于PP-OCRv2，介绍文本检测、识别以及系统串联预测推理与部署过程。
1.2 环境准备
体验本章节内容需要首先下载PaddleOCR代码，安装相关依赖，具体命令如下。
import osos.chdir("/home/aistudio")
# 下载代码
!git clone https://gitee.com/paddlepaddle/PaddleOCR.git
os.chdir("/home/aistudio/PaddleOCR")
# 安装运行所需要的whl包
!pip install -U pip
!pip install -r requirements.txt
# VQA任务中需要用到该库
!pip install paddlenlp==2.2.1# 导入一些库
import cv2
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import os
