飞桨动态图中新增了动态图转静态图的功能，支持用户使用动态图编写组网代码。预测部署时，飞桨会对用户代码进行分析，自动转换为静态图网络结构，兼顾了动态图易用性和静态图部署性能两方面优势。

　　全新发布数据合成工具 Style-Text★◆■★◆：可以批量合成大量与目标场景类似的图像，在多个场景验证■★，效果均提升 15% 以上。

　　这个含金量，广大的 GitHub 开发者们自然懂★■◆★，3.5M 超超轻量模型的效果图大家直接看，绝对杠杠的。

　　怎么样◆■★，绝对是黑科技了吧■◆★■◆。这项能力核心算法是基于百度自研的文本编辑算法《Editing Text in the Wild》。

　　先看下 PaddleOCR 自今年开源以来■★◆★■，短短几个月在 GitHub 上的表现★◆：

　　中英文场景：针对 OCR 实际应用场景★★■◆■★，包括合同，车牌★◆★★■，铭牌，火车票，化验单，表格，证书■◆，街景文字■◆★■◆，名片■★◆◆，数码显示屏等，收集的 300 张图像，每张图平均有 17 个文本框，PaddleOCR 的 F1-Score 超过 0.5，这个性能已经很不错了。

　　原标题：《Github Star 7★★.2K■■，超级好用的OCR数据合成与半自动标注工具，强烈推荐！》

　　用法也是非常的简单，标注效率提升 60%-80% 是妥妥的。只能说★★■■■，真的太香了。

　　除了拉风的效果，采用这样的合成数据和真实数据一起训练，可以显著提升特殊场景的性能指标，分别以两个场景为例：

　　动态图和静态图是深度学习框架常用的两种模式★★★◆。在动态图模式下★★◆★★，代码编写运行方式符合 Python 程序员的习惯，易于调试，但在性能方面， Python 执行开销较大■★，与 C++ 有一定差距。

　　OCR 方向的工程师，一定需要知道这个 OCR 开源项目◆■■★■■：PaddleOCR◆◆■。短短几个月，累计 Star 数量已超过 7★◆.2K，频频登上 Github Trending 日榜月榜◆■★■★■，称它为 OCR 方向目前最火的 repo 绝对不为过。

　　本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。

　　相比动态图■★，静态图在部署方面更具有性能的优势。静态图程序在编译执行时，预先搭建好的神经网络可以脱离 Python 依赖■★■，在 C++ 端被重新解析执行，而且拥有整体网络结构也能进行一些网络结构的优化★★★◆★。

　　除了数据合成，数据标注也一直是深度学习开发者关注的重点，无论是从成本还是时间上面，提高标注效率◆◆★■，降低标注成本太重要了◆★◆◆◆★。PPOCRLabel 通过内置高质量的 PPOCR 中英文超轻量预训练模型◆★，可以实现 OCR 数据的高效标注。CPU 机器运行也是完全没问题的★◆■■■★。话不多说■■★★，直接看 PPOCRLabel 效果演示：

　　全新发布半自动数据标注工具 PPOCRLabel：有了它数据标注工作事半功倍，相比 labelimg 标注效率提升 60% 以上★■■★◆★，社区小规模测试◆■★★◆■，好评如潮。

　　火车票、表格、金属铭牌★◆■★、翻转图片、外语都是妥妥的■★★，3■◆★.5M 的模型能达到这个识别精度，绝对是良心之作了！

　　微信扫描二维码添加运营同学◆■，并回复【OCR】，运营同学会邀请您加入官方交流群■■■★★，获得更高效的问题答疑。

　　不同于常用的基于 GAN 的数据合成工具★★★■，Style-Text 主要框架包括 ①文本前景风格迁移模块 ②背景抽取模块 ③融合模块。经过这样三步，就可以迅速实现图片文字风格迁移啦。

　　相比于传统的数据合成算法，Style-Text 可以实现特殊背景下的图片风格迁移，只需要少许目标场景图像，就可以合成大量数据，效果展示如下★◆★★★◆：

　　多语言识别模型效果升级：中文、英文、韩语、法语、德语★◆★■、日文识别效果均优于 EasyOCR。

　　别的不需要多说了，大家访问 GitHub 点过 star 之后自己体验吧：

　　多语言场景：PaddleOCR 选择了开源数据 ICDAR2017 – MLT（多语言文本识别测试集），并抽取其中的法语、德语◆★◆★、日语、韩语数据作为评测集合。其中测试图片大多来自于自然场景★★◆，例如广告牌★★◆、路标◆★◆★★、海报等。

　　PP-OCR 开发体验再升级：支持动态图开发（训练调试更方便），静态图部署（预测效率更高），鱼与熊掌可以兼得。