文章转载自: https://blog.csdn.net/f2315895270/article/details/128150679
选择部署方式
官方推荐有以下几种：
Python 推理
C++ 推理
Serving 服务化部署（Python/C++）
Paddle-Lite 端侧部署（ARM CPU/OpenCL ARM GPU）
Paddle.js 部署
由于我本身是做Java开发，不会Python，所以采用Serving 服务化部署
PaddleOCR提供2种服务部署方式：
基于PaddleHub Serving的部署；
基于PaddleServing的部署
我选择的是通过PaddleHub Serving进行部署
安装Hub Serving
准备环境
pip install paddlehub -i https://mirror.baidu.com/pypi/simple
安装好之后查看一下
下载推理模型
PaddleOCR下新建‘inference’文件夹，准备推理模型并放到‘inference’文件夹里面，默认使用的是v1.1版的超轻量模型
https://github.com/PaddlePaddle/PaddleOCR/blob/develop/doc/doc_ch/quickstart.md
默认模型路径为：
检测模型：./inference/ch_ppocr_mobile_v1.1_det_infer/
识别模型：./inference/ch_ppocr_mobile_v1.1_rec_infer/
方向分类器：./inference/ch_ppocr_mobile_v1.1_cls_infer/
模型路径可在params.py中查看和修改。 更多模型可以从PaddleOCR提供的模型库下载，也可以替换成自己训练转换好的模型。
安装服务模块
#在Linux环境下，安装示例如下： # 安装检测服务模块： hub install deploy/hubserving/ocr_det/ # 或，安装识别服务模块： hub install deploy/hubserving/ocr_rec/ # 或，安装检测+识别串联服务模块： hub install deploy/hubserving/ocr_system/ #在Windows环境下(文件夹的分隔符为\)，安装示例如下： # 安装检测服务模块： hub install deploy\hubserving\ocr_det\ # 或，安装识别服务模块： hub install deploy\hubserving\ocr_rec\ # 或，安装检测+识别串联服务模块： hub install deploy\hubserving\ocr_system\
这里最好把这几个模块都安装上，不然启动的时候会报错
启动服务
启动方式分两种，一种是全局启动，一种是指定到路径启动
#全局启动 hub serving start -m ocr_system
我这里采用的是指定路径启动，需要切换到hubserving目录下通过命令
hub serving start -c deploy\hubserving\ocr_system\config.json
启动的其他参数参照官方文档说明
**注意：**如果启动报错xxx路径找不到，去PaddleOCR\deploy\hubserving下的ocr_system、ocr_det、ocr_rec的params.py文件，将所有的model_dir
替换为符合win格式的绝对路径即可；
这样就完成了一个服务化API的部署，使用默认端口号8868。
访问示例：
python tools/test_hubserving.py --server_url=http://127.0.0.1:8868/predict/ocr_system --image_dir=img/22.jpg
输出结果：
Java调取
我们可以通过Java代码进行服务的调取，代码如下：
/**
* @author: fueen
* @createTime: 2022/11/28 10:01
*/
@RestController
@RequestMapping("/paddleocr")
public class PaddleOCRController {
@PostMapping("/upload")
public String fileUpload(@RequestParam("file") MultipartFile file, HttpServletRequest req, Model model){
try {
//接收上传文件
//Receiving uploaded files
String fileName = System.currentTimeMillis()+file.getOriginalFilename();
String destFileName=req.getServletContext().getRealPath("")+"uploaded"+ File.separator+fileName;
File destFile = new File(destFileName);
destFile.getParentFile().mkdirs();
System.out.println(destFile);
file.transferTo(destFile);
//向前端模板引擎传入上传文件的地址
//The address of the uploaded file is passed in to the front-end template engine
model.addAttribute("fileName","uploaded\\"+fileName);
model.addAttribute("path",destFile);
//开始准备请求API
//Start preparing the request API
//创建请求头
//Create request header
HttpHeaders headers = new HttpHeaders();
//设置请求头格式
//Set the request header format
headers.setContentType(MediaType.APPLICATION_JSON);
//构建请求参数
//Build request parameters
MultiValueMap<String, String> map = new LinkedMultiValueMap<String, String>();
//读入静态资源文件
//Read the static resource file
InputStream imagePath = new FileInputStream(destFile);
//添加请求参数images，并将Base64编码的图片传入
//Add the request parameter Images and pass in the Base64 encoded image
map.add("images", ImageToBase64(imagePath));
//构建请求
//Build request
HttpEntity<MultiValueMap<String, String>> request = new HttpEntity<MultiValueMap<String, String>>(map, headers);
RestTemplate restTemplate = new RestTemplate();
//发送请求
//Send the request
Map json = restTemplate.postForEntity("http://127.0.0.1:8868/predict/ocr_system", request, Map.class).getBody();
System.out.println(json);
//解析Json返回值
//Parse the Json return value
List<List<Map>> json1 = (List<List<Map>>) json.get("results");
//获取文件目录为后面画图做准备
//Get the file directory to prepare for later drawing
String tarImgPath = destFile.toString();
File srcImgFile = new File(tarImgPath);
System.out.println(srcImgFile);
//文件流转化为图片
//The file flows into images
Image srcImg = ImageIO.read(srcImgFile);
if (null == srcImg){
return "什么也没有,结束!";
}
//获取图片的宽
//Gets the width of the image
int srcImgWidth = srcImg.getWidth(null);
//获取图片的高
//Get the height of the image
int srcImgHeight = srcImg.getHeight(null);
//开始绘图主流程，创建画板设置画笔颜色等
//Start drawing main flow, create artboard, set brush color, etc
BufferedImage bufImg = new BufferedImage(srcImgWidth, srcImgHeight, BufferedImage.TYPE_INT_RGB);
Graphics2D g = bufImg.createGraphics();
g.setColor(Color.red);
g.drawImage(srcImg, 0, 0, srcImgWidth, srcImgHeight, null);
//循环遍历出所有内容
//Loop through everything
for (int i = 0; i < json1.get(0).size(); i++) {
System.out.println("当前的文字是：" + json1.get(0).get(i).get("text"));
System.out.println("可能的概率为：" + json1.get(0).get(i).get("confidence"));
List<List<Integer>> json2 = (List<List<Integer>>) json1.get(0).get(i).get("text_region");
System.out.println("文字的坐标" + json2);
int x = json2.get(0).get(0);
int y = json2.get(0).get(1);
int w = json2.get(1).get(0)-json2.get(0).get(0);
int h = json2.get(2).get(1)-json2.get(0).get(1);
g.drawRect(x,y,w,h); //画出水印 Draw the watermark
}
//将内容提交到前端模板引擎
//Submit the content to the front-end template engine
model.addAttribute("z",json1.get(0));
g.dispose();
// 输出图片
//The output image
FileOutputStream outImgStream = new FileOutputStream(tarImgPath);
ImageIO.write(bufImg, "png", outImgStream);
System.out.println("画图完毕");
outImgStream.flush();
outImgStream.close();
} catch (FileNotFoundException e) {
e.printStackTrace();
return "上传失败," + e.getMessage();
} catch (IOException e) {
e.printStackTrace();
return "上传失败," + e.getMessage();
}
return "OK";
}
private String ImageToBase64(InputStream imgPath) {
byte[] data = null;
// 读取图片字节数组
//Read the image byte array
try {
InputStream in = imgPath;
System.out.println(imgPath);
data = new byte[in.available()];
in.read(data);
in.close();
} catch (IOException e) {
e.printStackTrace();
}
// 对字节数组Base64编码
//Base64 encoding of byte array
BASE64Encoder encoder = new BASE64Encoder();
// 返回Base64编码过的字节数组字符串
//Returns a Base64 encoded byte array string
//System.out.println("图片转换Base64:" + encoder.encode(Objects.requireNonNull(data)));
return encoder.encode(Objects.requireNonNull(data));
}
}
然后运行，通过postman调取接口进行测试
控制台输出结果
完成！后面可以根据自己的业务需求来进行不同的处理修改
标签：调用,Java,get,PaddleOCR,System,hubserving,println,new,ocr From： https://www.cnblogs.com/huaixiaonian/p/17283285.html