OCR-Android部署问题总结

1 语义模型部署

1.1 问题一:模型转换

在这里插入图片描述
我们在PC端使用的模型参数文件为pth格式,而andorid端读取模型参数格式的要求为pt,因此需要我们对模型参数进行转换。

1.2.1 解决方案一:直接转换

在这里插入图片描述
可以看到,要想转换成功,必须将模型的输出修改为tuple或NameTuple,此模型为pytorch自带的模型,因此我尝试直接修改对应文件的输出,但是依然解决不了这个问题。

1.2.2 解决方案二:重新训练模型

在之前的调研中,我们不仅找到了该语义模型,同时也找到了该模型的训练数据,因此我们尝试自己训练模型。

2.1 问题二:模型部署问题

pc端的模型移植到android端,不仅需要读取模型参数,同时也要进行推理。

2.2.1 解决方案一:自己重写推理过程

通过潘师兄的指点,了解到我们可以自己手写推理过程,但是我么的模型的结构更加复杂,会影响到推理速度,因此我们放弃了这个方案。

2.2.2 解决方案二:Paddleseg

在不断的调研中,我们发现paddleseg上有许多的语义分割模型,且有相应的推理框架,我们只需要利用我们的数据进行训练,然后部署到android端即可。

3.1 问题三:模型部署到Android端后输出错误

我们首先训练了一个deeplabv3_resnet50模型,但是该模型参数庞大,整体有150多M,不适用于android端。因此我们重新训练了一个MobileNetV3模型,只有12M,且效果与deeplabv3_resnet50差不多,但是当我们将其部署到android后,发现其输出有巨大问题。
OCR-Android部署问题总结_第1张图片

3.2.1 解决方案:修改模型输出

经过我们各自调试,我们发现是模型在转换过程中出现了一定问题,具体原因尚不明确,但是我们可以看到,模型输出的图案形状是正确的,只是出现了两个相同的图案,所以我们对这个输出结果进行了加工修改,只取其1/4,并将其放大到原来的大小。
OCR-Android部署问题总结_第2张图片

你可能感兴趣的:(android)