批量规范化与ResNet-paddle-CFANZ编程社区

AI时代到来，各行各业都在追求细分领域垂直类深度学习模型，今天给大家介绍一个PaddlePaddle旗下，基于PaddleX Pipeline 来完成印章识别的模型“seal_recognition”。

官方地址：https://github.com/PaddlePaddle/PaddleX/blob/release/3.0-beta1/docs/pipeline_usage/tutorials/ocr_pipelines/seal_recognition.md

下面开始在本地使用PaddleX：

一、安装Python:

推荐使用conda（可选）。

二、安装CUDA

无论运行pytorch、tensflow还是paddlepaddle等深度学习框架，均推荐在GPU上进行推理。若要使用GPU进行推理，请在安装CUDA前提前更新好本机的显卡驱动。

三、安装PaddlePaddle

既然我们想使用PaddlePaddle深度学习框架旗下的Pipeline，那肯定要提前安装好PaddlePaddle深度学习框架。

至此，我们的基础环境已经安装完成，接下来就可以开始进行使用Pipeline了。

四、获取PaddleX

PaddleX是什么？引用官方介绍：

官方地址：GitHub - PaddlePaddle/PaddleX: All-in-One Development Tool based on PaddlePaddle（飞桨低代码开发工具）

简单来说，就是PaddlePaddle研发出来的一套开箱即用产品的底座，安装了PaddleX后，就可以通过几行命令来完成不同的任务，比如几行命令完成目标检测，几行命令完成文字识别等。

安装PaddleX的几种方式：

五、基于PaddleX安装第一个插件：PaddleOCR

六、几行代码完成快速推理（调用文心一言大模型、默认不可修改，需要Access_token,按需付费。若无需大语言模型，看查看第七条推理方式）：

````
        from paddlex import create_pipeline

        pipeline = create_pipeline(
            pipeline="PP-ChatOCRv3-doc",
            llm_name="ernie-3.5",
            llm_params={"api_type": "qianfan", "ak": "", "sk": ""} # 使用千帆接口，请填入您的ak与sk，否则无法调用大模型
            # llm_params={"api_type": "aistudio", "access_token": ""} # 或者使用AIStudio接口，请填入您的access_token，否则无法调用大模型
            )

        visual_result, visual_info = pipeline.visual_predict("https://paddle-model-ecology.bj.bcebos.com/paddlex/PaddleX3.0/doc_images/practical_tutorial/PP-ChatOCRv3_doc_seal/test.png")

        for res in visual_result:
            res.save_to_img("./output")
            res.save_to_html('./output')
            res.save_to_xlsx('./output')

        vector = pipeline.build_vector(visual_info=visual_info)
        chat_result = pipeline.chat(
            key_list=["印章名称"],
            visual_info=visual_info,
            vector=vector,
            )
        chat_result.print()
    ````

七、几行代码完成快速推理（无需大预言模型，支持本地化部署）：

 ````
        from paddlex import create_pipeline

        pipeline = create_pipeline(pipeline="seal_recognition")

        output = pipeline.predict("./test_images/1387.jpg")
        for res in output:
            res.print() ## 打印预测的结构化输出
            res.save_to_img("./output_images/") ## 保存可视化结果
    ````

八、查看结果

写在最后：下一章节，完成印章识别“seal_recognition”模型的微调与训练。