Skip to content
BranchesTags

Repository files navigation

Sdcb.SimdPaddleOCR test NuGet License: Apache-2.0 QQ

中文 | English

纯 C# PP-OCRv6 推理库：多平台 SIMD 优化、较低内存占用、高正确率。 自带托管 ONNX 解释器，不依赖 Paddle Inference、ONNX Runtime 或 OpenCV 原生库。 1.3 在 AVX2 上对连续卷积段走图级 NHWC：tiny 相对 1.2 大约快 30%，medium 在本地 5800X 上反超同机 OpenVINO，准确率不变。

核心 API 只接收 BGR8 内存，不负责图片解码，因此不会强制引入 ImageSharp、SkiaSharp 或 OpenCvSharp。

快速开始

安装核心包和 tiny 模型（tiny 会传递引用 CLS 与 ModelProvider）：

dotnet add package Sdcb.SimdPaddleOCR
dotnet add package Sdcb.SimdPaddleOCR.Models.ChineseV6Tiny
dotnet add package SixLabors.ImageSharp --version 3.1.11

模型从程序集嵌入资源直接加载，不会解压或写入临时文件。输入为 8-bit BGR，stride = 0 表示紧密排列（width * 3）。

ImageSharp 3（推荐）

using Sdcb.SimdPaddleOCR;
using Sdcb.SimdPaddleOCR.Models.ChineseV6Tiny;
using SixLabors.ImageSharp;
using SixLabors.ImageSharp.PixelFormats;

using PaddleOcrAll ocr = await PaddleOcrAll.LoadAsync(ChineseV6TinyModels.Default);
using Image<Bgr24> image = await Image.LoadAsync<Bgr24>("sample.jpg");
byte[] bgr = new byte[image.Width * image.Height * 3];
image.CopyPixelDataTo(bgr);
PaddleOcrResult result = ocr.Run(bgr, image.Width, image.Height);
Console.WriteLine(result.Text);

后续三个示例只演示如何解码到 BGR，加载与 Run 与上面相同。

SkiaSharp

using SkiaSharp;

SKBitmap bitmap = SKBitmap.Decode("sample.jpg")
    ?? throw new InvalidDataException("无法读取图片");
int stride = bitmap.Width * 3;
byte[] bgr = new byte[stride * bitmap.Height];
for (int y = 0; y < bitmap.Height; y++)
{
    for (int x = 0; x < bitmap.Width; x++)
    {
        SKColor color = bitmap.GetPixel(x, y);
        int offset = y * stride + x * 3;
        bgr[offset] = color.Blue;
        bgr[offset + 1] = color.Green;
        bgr[offset + 2] = color.Red;
    }
}

OpenCvSharp5

using System.Runtime.InteropServices;
using OpenCvSharp;

using Mat image = Cv2.ImRead("sample.jpg", ImreadModes.Color);
if (image.Empty()) throw new InvalidDataException("无法读取图片");
int rowBytes = image.Width * image.Channels();
byte[] bgr = new byte[rowBytes * image.Height];
for (int y = 0; y < image.Height; y++)
    Marshal.Copy(IntPtr.Add(image.Data, (int)(y * image.Step())), bgr, y * rowBytes, rowBytes);

Bitmap

using System.Drawing;
using System.Drawing.Imaging;
using System.Runtime.InteropServices;

using Bitmap bitmap = new("sample.jpg");
int stride = bitmap.Width * 3;
byte[] bgr = new byte[stride * bitmap.Height];
Rectangle rectangle = new(0, 0, bitmap.Width, bitmap.Height);
BitmapData data = bitmap.LockBits(rectangle, ImageLockMode.ReadOnly, PixelFormat.Format24bppRgb);
try
{
    for (int y = 0; y < bitmap.Height; y++)
        Marshal.Copy(new IntPtr(data.Scan0.ToInt64() + y * (long)data.Stride), bgr, y * stride, stride);
}
finally
{
    bitmap.UnlockBits(data);
}

NuGet 包

NuGet 包 版本 说明
Sdcb.SimdPaddleOCR NuGet 纯托管推理核心（net10.0;netstandard2.0）
Sdcb.SimdPaddleOCR.ModelProvider NuGet 模型契约（IPaddleOcrModelProvider / PaddleOcrModelBundle），通常被传递引用
Sdcb.SimdPaddleOCR.Models.ChineseV6Tiny NuGet PP-OCRv6 tiny DET+REC+字典；ChineseV6TinyModels.Default 含 CLS
Sdcb.SimdPaddleOCR.Models.ChineseV6Small NuGet PP-OCRv6 small；ChineseV6SmallModels.Default
Sdcb.SimdPaddleOCR.Models.ChineseV6Medium NuGet PP-OCRv6 medium；ChineseV6MediumModels.Default
Sdcb.SimdPaddleOCR.Models.TextLineOrientation NuGet PP-LCNet 文本行方向 CLS，被三个中文模型包传递引用

每个 IPaddleOcrModelProvider 提供 Name、Kind、Format、语言和版本元数据以及 OpenRead() / OpenReadAsync()。完整 OCR 组合由 PaddleOcrModelBundle 表达（DET、REC、字典和可选 CLS）。当前语言代码为 zh。单个模型也可被其他推理实现消费，例如 ChineseV6TinyModel.Detection.OpenReadAsync()。Model、PaddleOcrDetector、PaddleOcrClassifier、PaddleOcrRecognizer 和 PaddleOcrAll 均提供 Stream 加载入口；解析完成后不会继续保留完整的 ONNX 原始字节。

使用本地模型

核心不下载模型。使用本地 DET、CLS、REC 和字典文件时：

using Sdcb.SimdPaddleOCR;

using PaddleOcrAll ocr = await PaddleOcrAll.LoadAsync(
    detectionPath: "models/det.onnx",
    classificationPath: "models/cls.onnx",
    recognitionPath: "models/rec.onnx",
    dictionaryPath: "models/ppocr_keys.txt");

PaddleOcrOptions 里两套并行不要混用：DetIntraOpThreads 是检测图内的卷积线程 （一份 session，默认最多 8）；LineWorkerCount 是一行一组的 CLS/REC worker 路数 （每路一个 session，上限，实际 min(请求, ProcessorCount)；0 为 min(ProcessorCount, 4)）。检测阈值、边界长度、方向分类、 动态识别宽度和 Session 缓存上限等也在同一组 options 里。

示例

四个示例共用 examples/sample.jpg，图片由示例负责解码并转换为 BGR：

  • examples/ImageSharp.AspNetCore：ASP.NET Core + ImageSharp 3，可上传体验与 POST /api/ocr JSON API。
  • examples/SkiaSharp.Avalonia：Avalonia 桌面示例，SkiaSharp 解码。
  • examples/OpenCvSharp5.Wpf：WPF 示例，OpenCvSharp5 解码。
  • examples/SystemDrawing.WinForms：.NET 10 Windows / .NET Framework 4.8 双目标 WinForms 示例，使用 Bitmap/LockBits；运行 net48 前请安装 .NET Framework 4.8 Developer Pack，项目平台选择 x64。
dotnet run --project examples/ImageSharp.AspNetCore
dotnet run --project examples/OpenCvSharp5.Wpf -- path/to/image.jpg
dotnet run --project examples/SkiaSharp.Avalonia -- path/to/image.jpg
dotnet run --project examples/SystemDrawing.WinForms --framework net10.0-windows

Web 示例打开站点即可上传；API 为 POST /api/ocr（multipart/form-data 字段 file、model），文档在 /scalar。

常见问题

为什么调试时 OCR 识别特别慢？

调试器可能会在模块加载时取消 JIT 优化，使 OCR 的计算密集型代码无法获得应有的运行时优化，从而导致识别明显变慢。

请关闭该选项，然后重新启动调试会话：

  • Visual Studio：工具 > 选项 > 调试 > 常规，取消勾选在模块加载时取消 JIT 优化。
  • Rider：构建、执行、部署 > 调试器 > JIT，取消勾选在加载模块时禁用 JIT 优化。
  • VS Code：打开设置 (JSON)，添加 "csharp.debug.suppressJITOptimizations": false。

Native AOT 发布后为什么比 JIT 慢很多？

x64 发布 Native AOT 时，可执行项目里必须设置：

<IlcInstructionSet>avx2</IlcInstructionSet>

不设的话，ILC 按 SSE2 / 128-bit Vector<T> 基线编译，Avx2.IsSupported 会被折成 false，AVX2 内核整段裁掉，推理会慢一截。没有 AVX2 的 CPU 不要设这项。ARM64 的 AOT 基线已带 NEON / AdvSimd，一般不用写 IlcInstructionSet。

支持范围

说明
目标框架 核心 net10.0;netstandard2.0；ModelProvider 与全部模型包为 netstandard2.0
推荐运行时 .NET 10：完整 x86 SIMD 与 NativeAOT（IsAotCompatible）
兼容运行时 netstandard2.0 可在 .NET Framework 4.8 等环境使用；编译时去掉 AVX / AVX-512 / VNNI 源，走 System.Numerics.Vector / 标量
CI 架构 Windows x64 / x86 / ARM64，Linux x64 / ARM64，macOS x64 / ARM64
SIMD .NET 10 运行时探测 AVX → AVX2 → AVX-512 / VNNI；无对应指令集或 ARM 时用 Vector/标量
输入 8-bit BGR 内存；无图片路径、文件或图片库 API
设备 CPU only，无 GPU
NativeAOT 裁剪发布时请保留核心程序集和所用模型程序集

许可证与第三方组件

本仓库中由本项目编写的源代码和文档采用 Apache License 2.0 发布。 Apache-2.0 提供明确的专利授权条款，更适合公开发布的库和 NuGet 包。

模型资源和第三方代码不因本项目许可证而被重新授权：

  • PP-OCRv6 DET/REC、TextLineOrientation CLS 及字典来自 PaddleOCR 生态，来源资料标记为 Apache-2.0；发布模型包时请保留来源和许可证说明。
  • 示例依赖遵循各自上游许可证；特别是 ImageSharp 3.x 使用 Six Labors Split License， 不是普通 MIT 许可证。

完整的第三方归属和分发说明见 THIRD-PARTY-NOTICES.md。PaddleOCR、PP-OCR 及相关名称归其 各自权利人所有，本项目不代表官方，也不构成官方背书。

性能

1.3：AVX2 上连续卷积段走图级 NHWC。CI 数字来自 34818949921，只报同一 CPU。

GitHub-hosted runner、PP-OCRv6 tiny、去掉首张 warmup 后的中位墙钟：

平台 CPU ISA 中位 ms/图 工作集峰值 相对 1.2
win-x64 AMD EPYC 7763（4 vCPU） AVX2 160 ~817 MB 0.69×（1.2 为 232 ms / ~786 MB）
win-x64 netstandard2.0 同上 AVX2（Vector，无 NHWC） 343 ~775 MB 0.95×
linux-arm64 Neoverse N2 AdvSimd（无 NHWC） 241 ~840 MB 0.88×

1.2 时同 replica OpenVINO / 本库是 0.96；1.3 为 1.38（本库反超）。

本机引擎对比（Ryzen 7 5800X，4 worker，仓库 dataset/ 100 张，n=99）。c 为 lw.PPOCR.C 20d0de6（2026-09-14 DLL）。墙钟是 mean ms/图。

模型 引擎 mean ms/图 相对本库 行精确 CER 工作集峰值
tiny 本库 87.8 1.00 734/1026 2.71% 803 MB
tiny OpenVINO.NET 132 1.51 644/1026 3.55% 2785 MB
tiny lw.PPOCR.C 186 2.12 744/1026 4.01% 539 MB
medium 本库 641 1.00 992/1026 0.68% 2430 MB
medium OpenVINO.NET 1077 1.68 810/1026 1.74% 4516 MB
medium lw.PPOCR.C 2193 3.42 1004/1026 0.24% 1481 MB

medium 相对本库 1.2.0 同机 4w：1507 → 641 ms（约 0.43×），CER 仍 0.68%。small 和读数规则见 docs/perf.md。

性能复现

GitHub Actions test 工作流 会跑单元测试，并在 Windows / Linux / macOS 多架构上对 tiny / small / medium 做 bench （含关闭 AVX-512 / AVX2 / AVX / 全部硬件加速，以及 netstandard2.0 库）。汇总报告写入 job summary 与 perf-report artifact。

微信群

如果微信群二维码过期了，请加入 QQ 群 C#/.NET计算机视觉技术交流 579060605。

About

纯 C# PP-OCRv6 推理库：多平台 SIMD 优化、较低内存占用、高正确率。

Resources

Readme
Apache-2.0 license
Activity

Stars

257 stars

Watchers

1 watching

Forks

40 forks
Report repository

Releases

Packages

Contributors

Languages