PaddleOCR移动端部署完整指南：4步走通端侧OCR最短路径

PaddleOCR移动端部署完整指南：4步走通端侧OCR最短路径

【免费下载链接】PaddleOCR飞桨多语言OCR工具包（实用超轻量OCR系统，支持80+种语言识别，提供数据标注与合成工具，支持服务器、移动端、嵌入式及IoT设备端的训练与部署） Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80+ languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)项目地址: https://gitcode.com/paddlepaddle/PaddleOCR

PaddleOCR移动端部署没有想象中那么深。整个流程拆开看就是四件事：选对轻量模型、用paddle_lite_opt把它转成nb格式、通过adb推到手机上跑端侧OCR推理、再根据识别效果把几个参数调顺。这篇文章按实操路径带你走一遍，代码只保留跑通所必需的部分，跟着敲就行。

跑通之后你手里有什么

按下面的步骤做完，你会得到三样东西：

• 两个能在手机上直接被Paddle-Lite加载的.nb模型文件（检测+识别，方向分类器可选）
• 一个在真机上跑通完整OCR流水线的可执行程序
• 一套可以留作参考的config.txt参数，之后换图换模型都不用重学

移动端的模型选型围绕PP-OCRv5_mobile系列展开，整套模型体积只有3.5M，识别速度是毫秒级的。对绝大多数拍照取字、单据扫描类场景，这个体积加进App包用户基本无感。

模型选择：挑一个不会撑爆APK的

先立一条原则：服务器端训练出来的大模型不要往手机上搬。PaddleOCR本身备好了不同档位的超轻量模型，整套体积直接决定你的安装包大小：

取模型时顺便留意版本来源：release/2.0-rc1-0分支目前不支持移动端部署，别从这里拿模型文件。

模型转换：一条命令生成nb格式文件

手机端的Paddle-Lite只认naive_buffer序列化的.nb文件，而训练产出的标准推理模型不是这种格式，中间需要一次"模型转换"。工具是paddle_lite_opt，先装它——注意版本必须和你之后要用的Paddle-Lite预测库对齐，两边错开会在真机上连出一串难看的报错：

pip install paddlelite==2.10

然后分别对检测、识别模型各跑一次转换：

# 检测模型转换 paddle_lite_opt --model_file=./ch_PP-OCRv3_det_slim_infer/inference.pdmodel \ --param_file=./ch_PP-OCRv3_det_slim_infer/inference.pdiparams \ --optimize_out=./ch_PP-OCRv3_det_slim_opt \ --valid_targets=arm --optimize_out_type=naive_buffer # 识别模型转换 paddle_lite_opt --model_file=./ch_PP-OCRv3_rec_slim_infer/inference.pdmodel \ --param_file=./ch_PP-OCRv3_rec_slim_infer/inference.pdiparams \ --optimize_out=./ch_PP-OCRv3_rec_slim_opt \ --valid_targets=arm --optimize_out_type=naive_buffer

五个参数分工很清楚：前两个分别指向推理模型的网络结构与权重文件，--optimize_out是输出路径，--valid_targets=arm声明目标设备是ARM，--optimize_out_type=naive_buffer指定移动端必须用的轻量序列化格式。命令跑完，输出目录里多出的.nb文件就是能带去手机的模型了。

真机OCR推理：adb推上去就能跑

把两个.nb模型、方向分类器模型、测试图片、字典文件（中文用ppocr_keys_v1.txt）和config.txt放进同一个目录——仓库deploy/lite示例的debug目录已经按这个结构摆好。可执行程序在Paddle-Lite的交叉编译环境里make编译一次即可（Docker、Linux、macOS任选其一）。然后推送到手机：

adb devices # 确认手机已被识别 adb push debug /data/local/tmp/ # 整个目录推到手机 adb shell # 进入手机shell

进手机shell后先设置动态库搜索路径，再执行完整流水线：

cd /data/local/tmp/debug export LD_LIBRARY_PATH=${PWD}:$LD_LIBRARY_PATH ./ocr_db_crnn system ch_PP-OCRv3_det_slim_opt.nb \ ch_PP-OCRv3_rec_slim_opt.nb ch_ppocr_mobile_v2.0_cls_slim_opt.nb \ arm8 INT8 10 1 ./test.jpg config.txt ppocr_keys_v1.txt True

尾部参数是位置式的：system代表检测+识别+分类全流程，接下来依次是三个模型文件、设备架构、精度、线程数、批大小、测试图片、配置文件、字典文件和一个可视化开关。把开头的system换成det或rec，就能单独跑检测或识别，调试单模块时很方便。

一切顺利的话，终端会逐行打印识别出的文字。下面是示例图片在手机上的实际识别效果：

参数调优：第一次跑出效果之后看这里

config.txt里的默认值只是"通用"，不是"最优"。漏检、切边、乱码这类问题，基本都出在下面五个参数没贴合你的场景：

调整节奏建议：一次只动一个参数，推一次真机看一眼，再动下一个。移动端图片普遍偏小，max_side_len用默认值即可，真正花时间的大概率是检测阈值这一对参数。

故障排查：新手最常碰到的4个现象

真机运行提示算子不支持

模型加载时报io_copy算子的kernel不被支持，通常不是模型坏了，而是转换工具和端侧预测库版本错位。把paddlelite和预测库都统一到2.10，重新转一遍模型，问题一般当场消失。

识别结果乱码

先查rec_image_height有没有跟模型代际对上（见上表）。再查字典编码：Windows上的C++ demo按ANSI读字典文件，UTF-8的ppocr_keys_v1.txt直接喂进去就是乱码，在Linux或WSL里转一次编码即可：

iconv -f UTF-8 -t GBK ppocr_keys_v1.txt > ppocr_keys_v1_ansi.txt

换用转换后的字典重新推理。

检测框太紧或太松

这是unclip_ratio的事。低于1.6时框会贴着文字走、边缘被切；高于2.5又会和相邻行粘连。经验区间是"太紧"往2.0~2.5调、"太松"往1.2~1.5调，每次动0.2，两三轮就能落点。

只有第一次预测慢

首帧要做资源初始化、权重加载，慢是正常的，第二帧起就恢复。工程上的处理是App启动时先打一发"预热预测"，不占交互时间，用户就感觉不到这个毛刺。

性能进阶：把速度再抠出来的3个手法

线程数对齐CPU核心数

前文命令里的10只是个示例。真实取值应等于手机CPU核心数，少了吃不满算力，多了上下文切换反而亏。在adb shell里用cat /proc/cpuinfo数一下processor行数即可。

打开内存优化

内存吃紧的设备，可以在预测代码里打开Paddle-Lite的内存优化开关：

config.enable_memory_optim()

它让中间张量复用显存空间，峰值占用降一截，OOM风险小很多。

编译期裁剪预测库

Paddle-Lite库里装了很多算子的kernel，你的模型只用其中一小撮。编译时加一个开关就能把用不上的裁掉：

./lite/tools/build_android.sh --arch=armv8 --with_cv=ON --with_extra=ON --enable_trim=true

--enable_trim=true会让编译产物只保留当前模型用到的kernel，.so体积随之明显变小，配合前面的模型瘦身，包体能再降一个台阶。

小结

从选模型、转格式、上真机到调参数，PaddleOCR移动端部署就是本文这四步，跑通一遍之后，换模型、换图片都只是替换文件的事。想进一步把它封装进App或接入其他加速方案，可以接着看官方移动端部署指南和FAQ。

【免费下载链接】PaddleOCR飞桨多语言OCR工具包（实用超轻量OCR系统，支持80+种语言识别，提供数据标注与合成工具，支持服务器、移动端、嵌入式及IoT设备端的训练与部署） Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80+ languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)项目地址: https://gitcode.com/paddlepaddle/PaddleOCR