# myocr2-invoice

**Repository Path**: dratium/myocr2-invoice

## Basic Information

- **Project Name**: myocr2-invoice
- **Description**: 一个发票OCR识别服务
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 48
- **Created**: 2024-12-09
- **Last Updated**: 2024-12-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# myocr2-invoice

#### 介绍
发票OCR识别，实现方式使用RT-DERTv2目标检测提取关键位置发票信息，PaddleOCR根据提取的位置进行文字识别。
支持图片和PDF识别，主要识别了发票标题、发票代码、发票号码、开票日期、购买方名称、购买方识别号、销售方名称、销售方识别号、含税金额、不含税金额、税费信息。

#### 说明
由于YOLO和PaddleOCR无法同时使用GPU加速, 使用RT-DERTv2替代YOLO, 在GPU环境下耗时变为二百多毫秒, 而且RT-DERT的开源协议是Apache-2.0 license使用起来顾虑会更少

#### 软件架构
RT-DERTv2+PaddleOCR+Flask


#### 安装教程

Python3.9环境，建议使用Anaconda管理python环境

1. pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
2. 安装PaddleOCR所需内容，参考https://www.paddlepaddle.org.cn/install/quick?docurl=/documentation/docs/zh/install/pip/windows-pip.html <br>
使用gpu请修改predict2.py文件中device='GPU'<br>
建议使用最新版本, Linux cpu环境我使用了2.5.2版本很慢(4秒左右), 又换回2.6.2版本(1秒左右)
例如：<br>
 2.1 cpu环境<br>
  python -m pip install paddlepaddle==2.6.2 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/ <br>
 2.2 gpu环境以英伟达显卡CUDA11.7为例 <br>
  python -m pip install paddlepaddle-gpu==2.6.1.post117 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple
3. pip install paddleocr -i https://pypi.tuna.tsinghua.edu.cn/simple
4. (1)gunicorn -w 4 -b 0.0.0.0:5000 main:app 端口可以自由设置 <br>
   (2)python main.py <br>
   以上都可以启动服务 <br>
5. 启动成功发送地址测试http://127.0.0.1:5000/invoice_ocr

#### 测试截图

经测试GPU环境下平均二百多毫秒，CPU环境下一秒左右
![输入图片说明](images/imagesimage.png)(GPU环境平均耗时)
![输入图片说明](https://foruda.gitee.com/images/1733118115493827803/c57188ac_5748498.png "CPU环境平均耗时")

![输入图片说明](https://foruda.gitee.com/images/1733117764446225949/6cdf117d_5748498.png "屏幕截图")

#### 后续
目前训练数据种类比较少，后续逐步完善。

#### 自己训练模型
训练RT-DETRv2检测模型可以使用auto_label.py进行半自动标注，标注完成后使用PPOCRLabel打开directory变量的目录进行微调即可，调整完成后转换为coco格式数据就可以训练啦，后续会整理提供格式转换的脚本。


#### 注意注意注意