## 1. PP-OCRv3模型简介 PP-OCRv3在PP-OCRv2的基础上进一步升级。整体的框架图保持了与PP-OCRv2相同的pipeline，针对检测模型和识别模型进行了优化。其中，检测模块仍基于DB算法优化，而识别模块不再采用CRNN，换成了IJCAI 2022最新收录的文本识别算法SVTR，并对其进行产业适配。PP-OCRv3系统框图如下所示（粉色框中为PP-OCRv3新增策略）： <div align="center"> <img src="https://raw.githubusercontent.com/PaddlePaddle/PaddleOCR/release/2.6/doc/ppocrv3_framework.png" width = "80%" /> </div> 从算法改进思路上看，分别针对检测和识别模型，进行了共9个方面的改进： - 检测模块： - LK-PAN：大感受野的PAN结构； - DML：教师模型互学习策略； - RSE-FPN：残差注意力机制的FPN结构； - 识别模块： - SVTR_LCNet：轻量级文本识别网络； - GTC：Attention指导CTC训练策略； - TextConAug：挖掘文字上下文信息的数据增广策略； - TextRotNet：自监督的预训练模型； - UDML：联合互学习策略； - UIM：无标注数据挖掘方案。 从效果上看，速度可比情况下，多种场景精度均有大幅提升： - 中文场景，相对于PP-OCRv2中文模型提升超5%； - 英文数字场景，相比于PP-OCRv2英文模型提升11%； - 多语言场景，优化80+语种识别效果，平均准确率提升超5%。 更详细的优化细节可参考技术报告：https://arxiv.org/abs/2206.03001 。 更多关于PaddleOCR的内容，可以点击 https://github.com/PaddlePaddle/PaddleOCR 进行了解。