企业官网建设流程全解析

PaddleOCR 文本检测算法 DB 与 DB++ 深度解析：可微分二值化原理、训练配置与推理部署实战

【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 内置了经典的实时场景文本检测算法 DB（Differentiable Binarization）及其升级版 DB++（带自适应尺度融合 ASF），只需更换配置文件即可完成从训练、评估到推理部署的全流程。本文以 PaddleOCR 仓库中的 DB 与 DB++ 算法文档 为核心，结合仓库中的配置文件与源码实现，系统讲解两种算法的原理、复现指标、配置项含义、训练方法与多种推理部署方式，帮助读者快速在自有数据集上复现与落地该检测模型。

1. 算法简介：从 DB 到 DB++

DB（Differentiable Binarization）由 Liao Minghui 等人提出，论文《Real-time Scene Text Detection with Differentiable Binarization》发表于 AAAI 2020；其升级版 DB++（《Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion》）发表于 TPAMI 2022。

传统的分割类文本检测方法通常分两步：先由分割网络输出概率图，再通过固定阈值二值化得到文本区域，最后用形态学操作还原文本框。这一流程中阈值是手工设定的，不可学习，且二值化过程不可导，无法参与端到端训练。DB 算法的核心创新正是把“二值化”本身改造成可微分的操作：

• 网络同时输出概率图（probability map）与阈值图（threshold map）；
• 通过可微分的近似阶跃函数（可微分二值化）把两者融合成近似二值图（binary map），训练时梯度可以正常回传；
• 推理阶段阈值图不再需要，仅对概率图做固定阈值切分，因此几乎没有额外推理开销。

在 PaddleOCR 的实现中，这一近似阶跃函数位于 ppocr/modeling/heads/det_db_head.py：

def step_function(self, x, y): return paddle.reciprocal(1 + paddle.exp(-self.k * (x - y)))

其中k（默认 50）为放大系数，k越大，该函数越接近真正的阶跃函数。

DB++ 则在 DB 基础上引入**自适应尺度融合（Adaptive Scale Fusion，ASF）**模块，对多尺度特征进行注意力加权融合，同时搭配可变形卷积（DCN）骨干网络，进一步提升弯曲、多尺度文本的检测精度。

2. 公开数据集复现效果

在 ICDAR2015 文本检测公开数据集上，PaddleOCR 官方复现效果如下：

在 TD_TR 文本检测公开数据集上，复现效果如下：

从上表可以看出：MobileNetV3 骨干的轻量版 DB 在精度略降的情况下大幅压缩计算量，适合移动端部署；而 DB++ 通过 ASF 与 DCN 的加持，在 ICDAR2015 上将 Hmean 从 82.38% 提升到 86.58%。

3. 环境配置与项目准备

训练与推理前需要先配置 PaddleOCR 运行环境并克隆项目代码：

• 运行环境准备请参考 《运行环境准备》；
• 项目代码克隆请参考 《项目克隆》。

4. 配置文件深度解析：DB 与 DB++ 的差异

PaddleOCR 将检测模型模块化为 Backbone（骨干网络）、Neck（特征融合）、Head（检测头）、Loss（损失）、PostProcess（后处理）五大部分，训练不同检测模型只需更换配置文件。下面以 configs/det/det_r50_vd_db.yml（DB）与 configs/det/det_r50_db++_icdar15.yml（DB++）为例逐段讲解。

4.1 Architecture：架构定义

DB 的架构定义：

Architecture: model_type: det algorithm: DB Transform: Backbone: name: ResNet_vd layers: 50 Neck: name: DBFPN out_channels: 256 Head: name: DBHead k: 50

DB++ 的架构定义：

Architecture: model_type: det algorithm: DB++ Transform: null Backbone: name: ResNet layers: 50 dcn_stage: [False, True, True, True] # 第 2~4 个 stage 使用可变形卷积 Neck: name: DBFPN out_channels: 256 use_asf: True # 开启自适应尺度融合 ASF Head: name: DBHead k: 50

两者关键差异：

• 骨干网络：DB 使用ResNet_vd；DB++ 使用ResNet并开启dcn_stage，在第 2、3、4 个 stage 使用可变形卷积（DCN）增强几何形变建模能力；
• Neck：DB++ 在DBFPN上增加use_asf: True，启用 ASF 注意力融合模块。ASF 的实现位于 ppocr/modeling/necks/db_fpn.py，它先通过空间注意力（spatial_scale）与通道注意力（channel_scale）为各尺度特征图生成注意力分数，再对p5/p4/p3/p2四层特征加权融合；
• Head：两者均使用DBHead，参数k为可微分二值化的放大系数，默认 50。

DBHead内部包含两个结构相同的子网络：binarize（输出概率图）与thresh（输出阈值图），训练时两者共同前向并融合出近似二值图，详见 ppocr/modeling/heads/det_db_head.py。

4.2 Loss：DB 专用损失函数

DB 与 DB++ 均使用DBLoss，配置如下：

Loss: name: DBLoss balance_loss: true main_loss_type: DiceLoss # DB++ 配置为 BCELoss alpha: 5 beta: 10 ohem_ratio: 3

参数含义（对应 ppocr/losses/det_db_loss.py 的实现）：

• alpha/beta：概率图损失与阈值图损失的加权系数，默认 5 和 10；
• ohem_ratio：负样本采样比例。训练时通过在线难例挖掘（OHEM）控制正负样本比例，negative_ratio=3表示负样本数量最多为正样本的 3 倍，实现见 ppocr/losses/det_basic_loss.py 中的BalanceLoss；
• main_loss_type：概率图主损失类型。DB 使用DiceLoss，DB++ 使用BCELoss（通过BalanceLoss包装，同样支持 OHEM）。

DB 的总损失由三部分组成：loss_shrink_maps（概率图，权重alpha）+loss_threshold_maps（阈值图，权重beta）+loss_binary_maps（近似二值图 Dice 损失），见DBLoss.forward的实现。

4.3 Optimizer：优化器配置

DB 使用 Adam 优化器：

Optimizer: name: Adam beta1: 0.9 beta2: 0.999 lr: learning_rate: 0.001 regularizer: name: 'L2' factor: 0

DB++ 使用 Momentum + 学习率衰减：

Optimizer: name: Momentum momentum: 0.9 lr: name: DecayLearningRate learning_rate: 0.007 epochs: 1000 factor: 0.9 end_lr: 0 weight_decay: 0.0001

4.4 PostProcess：后处理参数

PostProcess: name: DBPostProcess thresh: 0.3 # 概率图二值化阈值 box_thresh: 0.7 # 框置信度阈值（DB++ 为 0.6） max_candidates: 1000 # 最大候选框数 unclip_ratio: 1.5 # 外扩比例 det_box_type: 'quad' # 'quad' 或 'poly'，DB++ 配置中有该字段

对应 ppocr/postprocess/db_postprocess.py 中的DBPostProcess：

• thresh：对概率图做阈值切分的固定阈值，对应源码中的segmentation = pred > self.thresh；
• box_thresh：候选框平均得分阈值，低于该值的候选框被过滤（对应box_score_fast/box_score_slow的得分比较）；
• unclip_ratio：文本框外扩比例，通过pyclipper按area * unclip_ratio / length的距离对多边形做膨胀（unclip方法）；
• max_candidates：最多保留的候选轮廓数；
• det_box_type：输出框类型，quad输出四点四边形，poly输出多边形（适合弯曲文本）。

4.5 Metric：评估指标

Metric: name: DetMetric main_indicator: hmean

检测模型以hmean（F1 分数，precision 与 recall 的调和平均）作为主评估指标。

4.6 Train / Eval：数据与数据增强

DB 的训练数据配置（configs/det/det_r50_vd_db.yml）：

Train: dataset: name: SimpleDataSet data_dir: ./train_data/icdar2015/text_localization/ label_file_list: - ./train_data/icdar2015/text_localization/train_icdar2015_label.txt ratio_list: [1.0] transforms: - DecodeImage: img_mode: BGR channel_first: False - DetLabelEncode: - IaaAugment: augmenter_args: - { 'type': Fliplr, 'args': { 'p': 0.5 } } - { 'type': Affine, 'args': { 'rotate': [-10, 10] } } - { 'type': Resize, 'args': { 'size': [0.5, 3] } } - EastRandomCropData: size: [640, 640] max_tries: 50 keep_ratio: true - MakeBorderMap: shrink_ratio: 0.4 thresh_min: 0.3 thresh_max: 0.7 - MakeShrinkMap: shrink_ratio: 0.4 min_text_size: 8 - NormalizeImage: scale: 1./255. mean: [0.485, 0.456, 0.406] std: [0.229, 0.224, 0.225] order: 'hwc' - ToCHWImage: - KeepKeys: keep_keys: ['image', 'threshold_map', 'threshold_mask', 'shrink_map', 'shrink_mask'] loader: shuffle: True drop_last: False batch_size_per_card: 16 num_workers: 4

要点说明：

• 标签编码：DetLabelEncode解析检测标注；MakeShrinkMap根据标注文本多边形生成收缩图（shrink map），MakeBorderMap生成阈值图及其掩码，二者共同构成 DB 训练所需的监督信号；
• 数据增强：IaaAugment提供水平翻转、旋转（-10°~10°）、随机缩放（0.5~3 倍）等增强；EastRandomCropData在 640×640 区域内随机裁剪；
• 归一化：NormalizeImage使用 ImageNet 均值方差归一化，DB 的 mean/std 为[0.485, 0.456, 0.406]/[0.229, 0.224, 0.225]；DB++ 使用 SynthText 统计的 mean[0.48109378172549, 0.45752457890196, 0.40787054090196]、std 为 1.0；
• Eval 预处理：评估时使用DetResizeForTest固定测试尺寸（DB 为[736, 1280]，DB++ 为[1152, 2048]），loader 的batch_size_per_card必须为 1。

5. 模型训练、评估与预测

DB / DB++ 的训练、评估与预测流程与 PaddleOCR 通用文本检测流程一致，详见 文本检测训练教程。PaddleOCR 对代码做了模块化设计，训练不同检测模型只需更换配置文件，核心命令示例：

# 单卡训练 python3 tools/train.py -c configs/det/det_r50_vd_db.yml # 评估 python3 tools/eval.py -c configs/det/det_r50_vd_db.yml -o Global.pretrained_model=./output/det_r50_vd/best_accuracy # 预测 python3 tools/infer_det.py -c configs/det/det_r50_vd_db.yml -o Global.infer_img=./doc/imgs_en/img_10.jpg

训练 DB++ 时只需将-c参数替换为 configs/det/det_r50_db++_icdar15.yml（或 configs/det/det_r50_db++_td_tr.yml），网络结构、损失与后处理会自动按配置切换。

6. 推理部署

6.1 Python 推理

第一步：导出 inference model。将训练保存的模型转换为推理模型，以 ResNet50_vd 骨干、ICDAR2015 英文数据集训练的 DB 模型为例：

python3 tools/export_model.py -c configs/det/det_r50_vd_db.yml -o Global.pretrained_model=./det_r50_vd_db_v2.0_train/best_accuracy Global.save_inference_dir=./inference/det_db

第二步：执行检测推理。使用 tools/infer/predict_det.py 进行文本检测：

python3 tools/infer/predict_det.py --image_dir="./doc/imgs_en/img_10.jpg" --det_model_dir="./inference/det_db/" --det_algorithm="DB"

可视化文本检测结果默认保存到./inference_results文件夹，结果文件名称前缀为det_res。

注意：ICDAR2015 数据集仅包含 1000 张训练图像，且主要针对英文场景，因此上述模型对中文文本图像的检测效果会比较差。如需中文检测，应使用中文数据集（如 ICDAR2017 MLT、合成中文数据）重新训练或直接使用 PaddleOCR 官方发布的中文检测模型。

6.2 C++ 推理

准备好推理模型后，参考 C++ 推理部署教程 操作即可，PaddleOCR 提供基于 Paddle Inference 的 C++ 端推理方案。

6.3 Serving 服务化部署

准备好推理模型后，参考 Paddle Serving 部署教程 进行服务化部署，支持Python Serving与C++ Serving两种模式，可将 DB 检测模型封装为 HTTP/RPC 服务对外提供能力。

6.4 更多推理部署方式

• Paddle2ONNX 推理：准备好推理模型后，参考 Paddle2ONNX 转换教程 将模型转换为 ONNX 格式，从而在其他推理框架或平台上运行。

7. FAQ

在训练或部署 DB / DB++ 模型时常见问题：

• 检测框不完整或缺失：可适当调大unclip_ratio（文本框外扩比例）或调低box_thresh（框置信度阈值）；
• 小文本漏检：调小thresh或在训练数据中增加小尺度文本样本，也可调整DetResizeForTest的测试尺寸使其更适配输入图像分辨率；
• 显存不足：降低Train.loader.batch_size_per_card，或调小训练时EastRandomCropData的size；
• 训练不收敛：确认pretrained_model指向正确的预训练权重路径，并检查数据集的label_file_list路径与标注格式是否正确。

引用

若在学术工作中使用了本文涉及的算法，请引用以下论文：

@inproceedings{liao2020real, title={Real-time scene text detection with differentiable binarization}, author={Liao, Minghui and Wan, Zhaoyi and Yao, Cong and Chen, Kai and Bai, Xiang}, booktitle={Proceedings of the AAAI Conference on Artificial Intelligence}, volume={34}, number={07}, pages={11474--11481}, year={2020} } @article{liao2022real, title={Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion}, author={Liao, Minghui and Zou, Zhisheng and Wan, Zhaoyi and Yao, Cong and Bai, Xiang}, journal={IEEE Transactions on Pattern Analysis and Machine Intelligence}, year={2022}, publisher={IEEE} }

【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