adamzhg

换回预置的lib和头文件之后，也是cpu可以跑通，npu报错： ository_manager/utils/repository_manager_log.py:30][log] [../../../../../../latest/compiler/python/site-packages/tbe/common/repository_manager/route.py:62][repository_manager] Subprocess[task_distribute] raise error[] [ERROR] TBE(1436413,python3):2024-04-25-13:04:33.029.899 [../../../../../../latest/compiler/python/site-packages/tbe/common/repository_manager/utils/repository_manager_log.py:30][log] [../../../../../../latest/compiler/python/site-packages/tbe/common/repository_manager/route.py:62][repository_manager] Subprocess[task_distribute] raise error[] [ERROR] TBE(1436409,python3):2024-04-25-13:04:33.029.900 [../../../../../../latest/compiler/python/site-packages/tbe/common/repository_manager/utils/repository_manager_log.py:30][log] [../../../../../../latest/compiler/python/site-packages/tbe/common/repository_manager/route.py:62][repository_manager] Subprocess[task_distribute] raise error[] [ERROR] TBE(1436415,python3):2024-04-25-13:04:33.029.900 [../../../../../../latest/compiler/python/site-packages/tbe/common/repository_manager/utils/repository_manager_log.py:30][log] [../../../../../../latest/compiler/python/site-packages/tbe/common/repository_manager/route.py:62][repository_manager] Subprocess[task_distribute] raise error[] [ERROR] TBE(1436412,python3):2024-04-25-13:04:33.029.952 [../../../../../../latest/compiler/python/site-packages/tbe/common/repository_manager/utils/repository_manager_log.py:30][log]...

1、Mindocr的原生模型之前弄错了，使用db++ResNet-50（ch+en）的模型，做converte_lite转换时，即使不提供config.txt文件，使用如下转换命令： converter_lite \ --saveType=MINDIR \ --fmk=MINDIR \ --optimize=ascend_oriented \ --modelFile=./dbnetpp_resnet50_ch_en_general-884ba5b9-b3f52398.mindir \ --outputFile=./dbnetpp_resnet50_ch_lite \ 出来的结果就比较好。 又做了些尝试，比如增加config.txt文件，进而调整precision_mode等参数，发现基本没有效果，和默认的效果差不多。 2、针对ch_pp_det_OCRv3，做converte_lite转换时做了很多尝试，比如修改input_shape，换成动态shape分档，调整precision_mode精度等。列出其中几个config.txt文件如下： [ascend_context] input_format=NCHW input_shape=x:[1,3,960,960] precision_mode=enforce_fp32 op_select_impl_mode=high_precision output_type=FP32 [ascend_context] input_format=NCHW input_shape=x:[1,3,-1,-1] dynamic_dims=[736,1280],[768,1280],[896,1280],[960,960],[1024,1280] precision_mode=enforce_fp32 但结果都差不多，识别效果都很差。 我安装的mindspore和mindspore-Lite的版本都是2.2.10，在converte_lite过程中，无论使用什么样的设置，都会报很多warnning： [WARNING]...

另外，使用离线推断，即使是使用db++ResNet-50（ch+en）的det模型和CRNN ResNet34 ch的rec模型，识别效果依旧不是很理想：   一些长的、较小的内容会识别不出来；而第二个图的长文本在一些行的末尾也会出错。 另外，通过 ms.set_context(device_target="CPU")的方式也试了一下Mindspore下执行MindOCR： -det用的dbnetpp_resnet50_ch_en_general-884ba5b9.ckpt -rec用的crnn_resnet34_ch 但是结果也没比上面使用atlas 300I npu推断的效果更好，有些地方甚至还不如：   想咨询一下，如何才能获得更好的精度效果，比如x86+nvidia上直接跑ppocrv4，不做任何调整都是默认选项即可的效果？

【您好，针对ch_pp_det_OCRv3，ch_pp_det_OCRv4等检测模型，在310上暂不支持动态shape。ppocr预处理会将图片，按长边缩放到960，维持长宽比不变。所以进行分档时，可以固定长边为960，只对短边进行分档，类似于】 您好，您说的这个处理实际上针对mindocr的原生模型也是同样的，/mindspore/mindocr/deploy/py_infer/src/data_process/preprocess/transforms/det_transforms.py中，DetResize类里： super().__init__( target_size=None, keep_ratio=keep_ratio, padding=padding, limit_type="none", limit_side_len=960, force_divisable=False, interpolation=interpolation, **kwargs, ) limit_type设定的是none，这样在推断的时候，会根据[ascend_context]中设定的shape来对图像进行resize。 原生模型db++ResNet-50（ch+en）也是会先按照（1152,2048）的固定shape来进行resize。但同样的处理，ppocr的明显要差很多，不知道是为什么。 而在x86+nvidia的服务器上，打印ch_pp_det_OCRv4的处理，同样的在输入模型前也是将图像进行了按照长边对齐到960的处理。也就是说输入给模型的内容，arm+npu和x86+nvidia上的没有区别。 但在两个平台上效果差异很大，不知道是为什么？ 另外，ch_pp_rec_OCRv4在做convert的时候报错。 我的是CANN7.0.0，convert的格式如下： converter_lite \ --saveType=MINDIR \ --fmk=ONNX \ --optimize=ascend_oriented \ --modelFile=./rec_crnn.onnx \ --outputFile=./rec_crnn_dynamic_output \...

请问有没有经过验证的，在atlas 300I卡上能精准识别发票票据的模型组合？之前在x86+nvidia上就是用ppocrv4，默认的识别率已经能够满足要求了。项目赶工，跪求一个在atlas 300I卡上能精准识别发票票据的模型组合。

收到，多谢，我们试试

ch_PP-OCRv4_rec_infer无法生成Lite MindIR格式文件的问题通过将mindspore-lite： 2.2.13的版本降为2.2.10解决了。 但是遇到如下新问题： 一、相关环境信息 服务器：华为鲲鹏服务器； OS：ubuntu20.04； 加速卡：Atlas 300I Model 3010（含4块Ascend 301）； Python：3.8 mindspore-lite： 2.2.10 CANN：7.0.0.beta1 固件与驱动：1.0.22.alpha（A300-3010-npu-firmware_7.1.0.3.220.run，A300-3010-npu-driver_23.0.0_linux-aarch64.run） 二、问题描述： 问题1： 1、按照官网说明将ch_PP-OCRv4_det_server_infer、ch_ppocr_mobile_v2.0_cls_infer、ch_PP-OCRv4_rec_server_infer分别生成Lite MindIR格式文件（用的OCRv4的Server版，精度希望能更高一些）； 2、调用脚本如下： python deploy/py_infer/infer.py \ --input_images_dir=XXX \ --det_model_path=xxx/ch_PP-OCRv4_det_server_infer/det_db_dynamic_output.mindir \ --det_model_name_or_config=ch_pp_det_OCRv4...

@TingquanGao ，请问paddleocr-vl现在是否支持国产GPU了，比如海光的GPU？