PaddleOCR提供2种服务部署方式：
- 基于PaddleHub Serving的部署：代码路径为"
./deploy/hubserving"，按照本教程使用； - 基于PaddleServing的部署：代码路径为"
./deploy/pdserving"，使用方法参考文档。
基于PaddleHub Serving的服务部署
hubserving服务部署目录下包括检测、识别、2阶段串联三种服务包，请根据需求选择相应的服务包进行安装和启动。目录结构如下：
deploy/hubserving/ └─ ocr_det 检测模块服务包 └─ ocr_rec 识别模块服务包 └─ ocr_system 检测+识别串联服务包
每个服务包下包含3个文件。以2阶段串联服务包为例，目录如下：
deploy/hubserving/ocr_system/ └─ __init__.py 空文件，必选 └─ config.json 配置文件，可选，使用配置启动服务时作为参数传入 └─ module.py 主模块，必选，包含服务的完整逻辑 └─ params.py 参数文件，必选，包含模型路径、前后处理参数等参数
快速启动服务
以下步骤以检测+识别2阶段串联服务为例，如果只需要检测服务或识别服务，替换相应文件路径即可。
1. 准备环境
克隆代码：https://gitee.com/paddlepaddle/PaddleOCR.git，解压并进入PaddleOCR文件夹
# 安装paddlehub pip3 install paddlehub --upgrade -i https://pypi.tuna.tsinghua.edu.cn/simple
2. 下载推理模型
PaddleOCR下新建‘inference’文件夹，准备推理模型并放到‘inference’文件夹里面，默认使用的是v1.1版的超轻量模型，
https://github.com/PaddlePaddle/PaddleOCR/blob/develop/doc/doc_ch/quickstart.md
默认模型路径为：
检测模型：./inference/ch_ppocr_mobile_v1.1_det_infer/ 识别模型：./inference/ch_ppocr_mobile_v1.1_rec_infer/ 方向分类器：./inference/ch_ppocr_mobile_v1.1_cls_infer/
模型路径可在params.py中查看和修改。 更多模型可以从PaddleOCR提供的模型库下载，也可以替换成自己训练转换好的模型。
3. 安装服务模块
PaddleOCR提供3种服务模块，根据需要安装所需模块。
- 在Linux环境下，安装示例如下：
# 安装检测服务模块： hub install deploy/hubserving/ocr_det/
# 或，安装识别服务模块： hub install deploy/hubserving/ocr_rec/
# 或，安装检测+识别串联服务模块： hub install deploy/hubserving/ocr_system/
- 在Windows环境下(文件夹的分隔符为
\)，安装示例如下：
# 安装检测服务模块： hub install deploy\hubserving\ocr_det\
# 或，安装识别服务模块： hub install deploy\hubserving\ocr_rec\
# 或，安装检测+识别串联服务模块： hub install deploy\hubserving\ocr_system\
4. 启动服务
方式1. 命令行命令启动（仅支持CPU）
启动命令： hub serving start -c D:\XHX\Develop\Paddale\PaddleOCR\deploy\hubserving\ocr_system\config.json
注意：如果启动报错xxx路径找不到，去PaddleOCR\deploy\hubserving下的ocr_system、ocr_det、ocr_rec的params.py文件，将所有的model_dir
替换为符合win格式的绝对路径即可；
参数：
参数
用途
--modules/-m
PaddleHub Serving预安装模型，以多个Module==Version键值对的形式列出当不指定Version时，默认选择最新版本
--port/-p
服务端口，默认为8866
--use_multiprocess
是否启用并发方式，默认为单进程方式，推荐多核CPU机器使用此方式Windows操作系统只支持单进程方式
--workers
在并发方式下指定的并发任务数，默认为2*cpu_count-1，其中cpu_count为CPU核数
如启动串联服务： hub serving start -m ocr_system
这样就完成了一个服务化API的部署，使用默认端口号8866。
方式2. 配置文件启动（支持CPU、GPU）
启动命令：hub serving start -c config.json
其中，config.json格式如下：
{ "modules_info": { "ocr_system": { "init_args": { "version": "1.0.0", "use_gpu": true }, "predict_args": { } } }, "port": 8868, "use_multiprocess": false, "workers": 2 }
init_args中的可配参数与module.py中的_initialize函数接口一致。其中，当use_gpu为true时，表示使用GPU启动服务。predict_args中的可配参数与module.py中的predict函数接口一致。
注意:
- 使用配置文件启动服务时，其他参数会被忽略。
- 如果使用GPU预测(即，
use_gpu置为true)，则需要在启动服务之前，设置CUDA_VISIBLE_DEVICES环境变量，如：export CUDA_VISIBLE_DEVICES=0，否则不用设置。 - **
use_gpu不可与use_multiprocess同时为true**。
如，使用GPU 3号卡启动串联服务：
export CUDA_VISIBLE_DEVICES=3 hub serving start -c deploy/hubserving/ocr_system/config.json
发送预测请求
配置好服务端，可使用以下命令发送预测请求，获取预测结果:
python tools/test_hubserving.py server_url image_path
需要给脚本传递2个参数：
- server_url：服务地址，格式为
http://[ip_address]:[port]/predict/[module_name]
例如，如果使用配置文件启动检测、识别、检测+识别2阶段服务，那么发送请求的url将分别是：http://127.0.0.1:8866/predict/ocr_dethttp://127.0.0.1:8867/predict/ocr_rechttp://127.0.0.1:8868/predict/ocr_system - image_path：测试图像路径，可以是单张图片路径，也可以是图像集合目录路径
访问示例：python tools/test_hubserving.py http://127.0.0.1:8868/predict/ocr_system ./doc/imgs/
返回结果格式说明
返回结果为列表（list），列表中的每一项为词典（dict），词典一共可能包含3种字段，信息如下：
字段名称
数据类型
意义
text
str
文本内容
confidence
float
文本识别置信度
text_region
list
文本位置坐标
不同模块返回的字段不同，如，文本识别服务模块返回结果不含text_region字段，具体信息如下：
字段名/模块名
ocr_det
ocr_rec
ocr_system
text
✔
✔
confidence
✔
✔
text_region
✔
✔
说明： 如果需要增加、删除、修改返回字段，可在相应模块的module.py文件中进行修改，完整流程参考下一节自定义修改服务模块。
自定义修改服务模块
如果需要修改服务逻辑，你一般需要操作以下步骤（以修改ocr_system为例）：
1、 停止服务
hub serving stop --port/-p XXXX2、 到相应的
module.py和params.py等文件中根据实际需求修改代码。
例如，如果需要替换部署服务所用模型，则需要到params.py中修改模型路径参数det_model_dir和rec_model_dir，如果需要关闭文本方向分类器，则将参数use_angle_cls置为False，当然，同时可能还需要修改其他相关参数，请根据实际情况修改调试。 强烈建议修改后先直接运行module.py调试，能正确运行预测后再启动服务测试。3、 卸载旧服务包
hub uninstall ocr_system4、 安装修改后的新服务包
hub install deploy/hubserving/ocr_system/5、重新启动服务
hub serving start -m ocr_system
