使用 JYPPX.DeploySharp 高效部署 PaddleOCR，解锁多种高性能 OCR 文字识别方案-洪萨配资

使用 JYPPX.DeploySharp 高效部署 PaddleOCR，解锁多种高性能 OCR 文字识别方案

本文介绍如何通过 DeploySharp 框架在 .NET 环境下部署 PaddleOCR 模型，支持 OpenVINO、TensorRT、ONNX Runtime 等多种推理引擎，实现百毫秒级文字识别。

一、前言

OCR（光学字符识别）技术在数字化办公、文档管理、票据识别等场景中发挥着重要作用。百度飞桨开源的PaddleOCR作为业界领先的 OCR 框架，以其优异的识别精度和丰富的功能特性深受开发者喜爱。

一年前，我基于自己开发的 OpenVINO C# API 项目，在 .NET 框架下使用 OpenVINO 部署工具部署 PaddleOCR 系列模型，推出了PaddleOCR-OpenVINO-CSharp项目。借助 OpenVINO 在 CPU 上的强大推理优化能力，该项目成功实现了在纯 CPU 环境下完成图片文字识别、版面分析及表格识别等功能，推理速度可控制在 300 毫秒以内。

随着项目的发展和应用场景的多样化，单一推理引擎已无法满足所有需求。近期，我将 OpenVINO、TensorRT、ONNX Runtime 等主流推理工具进行了统一封装，推出了DeploySharp开源项目。该项目的核心优势在于：

统一接口：通过底层接口抽象，实现一套代码适配多种推理引擎
灵活部署：开发者可根据实际硬件环境选择最优推理方案
性能优化：充分发挥各推理引擎的硬件加速能力

得益于 DeploySharp 底层接口统一的优势，开发者现在可以用同一段代码在 OpenVINO、TensorRT、ONNX Runtime 等多种推理引擎间自由切换。近期，我们完成了 PaddleOCR 模型的支持更新，为 .NET 开发者提供了一套完整的 OCR 解决方案。

目前，PaddleOCR 功能已集成至 DeploySharp 开源项目中（代码已上传至仓库，NuGet 包正在筹备中）。为了让大家快速体验新版 PaddleOCR 的极致性能，我们特别准备了JYPPX.DeploySharp.OpenCvSharp.PaddleOcr.TestDemo演示程序，支持即开即用，无需复杂配置。

二、核心技术原理解析

2.1 PaddleOCR 工作流程

PaddleOCR 采用经典的「检测-分类-识别」三阶段流水线架构：

输入图片 │ ▼ ┌─────────────┐ │ 文本检测 │ → 检测图片中的文本区域位置 │ (Detection) │ └─────────────┘ │ ▼ ┌─────────────┐ │ 文本方向分类 │ → 判断文本方向（180度翻转等） │ (Classifier)│ └─────────────┘ │ ▼ ┌─────────────┐ │ 文本识别 │ → 识别文本区域的具体内容 │ (Recognition)│ └─────────────┘ │ ▼ 输出识别结果

2.2 三阶段模型详解

阶段	模型名称	输入	输出	作用
检测	PP-OCRv5_det	原始图片 (3xHxW)	文本框坐标	定位文本区域
分类	PP-OCRv5_cls	裁剪文本框 (3x80x160)	方向标签	纠正文本方向
识别	PP-OCRv5_rec	裁剪文本框 (3x48xL)	文本内容	识别字符序列

2.3 性能优化策略

模型量化：使用 int8 量化减小模型体积，提升推理速度
动态批处理：支持 Batch Size > 1，提高 GPU 利用率
并发推理：支持多线程并发处理，充分利用多核性能
硬件加速：针对不同硬件选择最优计算后端

三、DeploySharp 架构优势

DeploySharp 的核心设计理念是「统一接口，灵活部署」，其架构如下图所示：

┌─────────────────────────────────────────────────────────┐ │ 应用层 (Application) │ │ PaddleOCR 文字识别 / 其他模型应用 │ └─────────────────────────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────────────┐ │ DeploySharp 抽象接口层 │ │ 统一的模型加载 / 推理执行 / 资源管理接口 │ └─────────────────────────────────────────────────────────┘ │ ┌───────────────┼───────────────┐ ▼ ▼ ▼ ┌───────────────┐ ┌───────────────┐ ┌───────────────┐ │ OpenVINO │ │ TensorRT │ │ ONNX Runtime │ │ Engine │ │ Engine │ │ Engine │ │ (CPU 优化) │ │ (GPU 加速) │ │ (跨平台支持) │ └───────────────┘ └───────────────┘ └───────────────┘ │ │ │ ▼ ▼ ▼ ┌───────────────┐ ┌───────────────┐ ┌───────────────┐ │ Intel CPU │ │ NVIDIA GPU │ │ 多种硬件设备 │ │ │ │ │ │ (CPU/GPU/DML) │ └───────────────┘ └───────────────┘ └───────────────┘

主要优势：

零代码切换：更换推理引擎无需修改业务代码
资源高效利用：自动管理模型生命周期和计算资源
扩展性强：易于添加新的推理引擎支持
生产就绪：经过充分测试，可直接用于生产环境

四、支持的推理设备

本演示程序支持多种主流推理后端，覆盖从入门级设备到高性能服务器的各种场景：

推理引擎	支持设备	适用场景	性能特点
OpenVINO	CPU	无 GPU 环境、Intel 处理器	CPU 优化，启动快，稳定
TensorRT	CUDA 11/12	NVIDIA GPU 高性能场景	GPU 加速，极致性能，需模型转换
ONNX Runtime CPU	CPU	跨平台部署	通用性强，性能中等
ONNX Runtime CUDA	CUDA 12	NVIDIA GPU 环境部署	GPU 加速，开箱即用
ONNX Runtime TensorRT	CUDA 12	NVIDIA GPU 高性能场景	GPU 加速 + TensorRT 优化
ONNX Runtime DML	DML GPU	Windows 平台多厂商 GPU	支持 AMD/NVIDIA/Intel GPU

性能提示：首次加载模型和推理时会较慢，这是正常现象（模型初始化和 JIT 编译）。首次运行时请避免频繁操作，待模型预热完成后性能将显著提升。

五、快速开始指南

5.1 程序界面概览

运行程序后，主界面如下图所示：

核心操作说明：

操作项	说明	注意事项
推理后端	选择使用的推理引擎	切换后需重新加载模型
模型路径	预置模型路径，一般无需修改	支持自定义模型路径
图像路径	选择待识别的图片	支持 JPG/PNG/BMP 等格式
加载模型	加载指定模型到内存	首次使用必须执行
推理图片	执行单次图片识别	首次需预热
时间测试	连续推理十次并统计平均耗时	用于性能评估
并发数量	调整推理并发线程数	修改后需重新加载模型
BatchSize	批量处理大小	可动态调整

5.2 OpenVINO 推理

OpenVINO 是 Intel 推出的开源工具套件，针对 CPU 和Intel IGPU进行了深度优化，特别适合无 GPU 环境下的高性能推理。

CPU使用步骤：

1.运行程序

2.在「推理后端」下拉框中选择OpenVINO

3.点击「加载模型」

4.点击「推理图片」开始识别

IGPU使用步骤：

英特尔集显使用流程与上述一致，主要是设备要选择GPU0：

混合设备使用步骤：

英特尔OpenVINO支持CPU+IGPU混合设备推理，即AUTO模式，OpenVINO会根据设备情况自主选择，使用方式与上述一致，主要是设备要选择AUTO：

适用场景：

服务器环境部署
低功耗设备
Intel CPU 用户
对启动速度要求高的场景

5.3 ONNX Runtime CPU 推理

ONNX Runtime 是微软推出的跨平台推理引擎，支持多种硬件加速后端，CPU 模式无需任何依赖即可使用。

使用步骤：

运行程序
在「推理后端」下拉框中选择ONNX Runtime CPU
点击「加载模型」
点击「推理图片」开始识别

适用场景：

跨平台部署需求
无 GPU 加速环境
需要快速原型验证

5.4 ONNX Runtime CUDA 推理

CUDA 是 NVIDIA 提供的并行计算平台，可充分利用 GPU 的并行计算能力实现显著加速。

配置步骤

安装 CUDA 驱动

访问 NVIDIA CUDA 官网^[10]
下载并安装 CUDA 12.x 版本（测试环境：CUDA 12.3）

复制依赖文件
将以下 CUDA 相关 DLL 文件复制到程序运行目录：
启动推理
运行程序，在「推理后端」下拉框中选择ONNX Runtime CUDA

依赖说明：

NuGet 包名	版本
Microsoft.ML.OnnxRuntime.Gpu.Windows	1.23.0
Microsoft.ML.OnnxRuntime.Managed	1.23.0

适用场景：

拥有 NVIDIA 显卡的设备
对推理速度有较高要求
需要快速部署无需模型转换

5.5 ONNX Runtime TensorRT 推理

TensorRT 是 NVIDIA 推出的高性能深度学习推理优化器，结合 CUDA 加速可达到极致性能。

配置步骤

依赖文件复制方式与 CUDA 模式一致。

使用步骤

运行程序
在「推理后端」下拉框中选择ONNX Runtime TensorRT
点击「加载模型」
点击「推理图片」开始识别

重要提示：首次运行推理时，TensorRT 会自动对 ONNX 模型进行优化编译，此过程可能需要数分钟，请耐心等待。编译后的引擎文件会被缓存，后续推理速度将大幅提升。

依赖说明：

NuGet 包名	版本
Microsoft.ML.OnnxRuntime.Gpu.Windows	1.23.2
Microsoft.ML.OnnxRuntime.Managed	1.23.2

适用场景：

对推理速度要求极高的生产环境
NVIDIA GPU 设备
可接受首次运行较长的编译时间

5.6 ONNX Runtime DML 推理

DirectML（DML）是 Windows 平台的高性能硬件加速接口，支持 AMD、NVIDIA 和 Intel 多厂商显卡。

配置步骤

将 DML 相关 DLL 文件复制到程序运行目录：

使用步骤

运行程序
在「推理后端」下拉框中选择ONNX Runtime DML
点击「加载模型」
点击「推理图片」开始识别

适用场景：

Windows 平台用户
AMD 显卡用户
需要统一接口支持多品牌显卡

5.7 TensorRTSharp 推理

TensorRTSharp 是对 NVIDIA TensorRT 的 C# 封装，提供原生的 TensorRT 引擎加载和推理能力，支持 FP16 精度进一步提升性能。

环境准备

详细的安装和配置指南请参考：

https://mp.weixin.qq.com/s/D0c6j5MmraJO4Eza7tWm1A

TensorRTSharp 支持 CUDA 11 和 CUDA 12 两个系列，请根据系统安装的 CUDA 版本选择对应的 DLL 文件。

配置步骤

替换 DLL 文件
根据安装的 CUDA 版本，将对应的 TensorRT DLL 文件复制到程序目录：
模型转换
使用trtexec工具将 ONNX 模型转换为 TensorRT 引擎文件：

模型转换指令

文本检测模型（Det）：

trtexec.exe --onnx=PP-OCRv5_mobile_det_onnx.onnx \ --minShapes=x:1x3x32x32 \ --optShapes=x:4x3x640x640 \ --maxShapes=x:8x3x960x960 \ --fp16 \ --memPoolSize=workspace:1024 \ --sparsity=disable \ --saveEngine=PP-OCRv5_mobile_det_f16_onnx.engine

文本分类模型（Cls）：

trtexec.exe --onnx=PP-OCRv5_mobile_cls_onnx.onnx \ --minShapes=x:1x3x80x160 \ --optShapes=x:8x3x80x160 \ --maxShapes=x:64x3x80x160 \ --fp16 \ --memPoolSize=workspace:1024 \ --sparsity=disable \ --saveEngine=PP-OCRv5_mobile_cls_f16_onnx.engine

文本识别模型（Rec）：

trtexec.exe --onnx=PP-OCRv5_mobile_rec_onnx.onnx \ --minShapes=x:1x3x48x48 \ --optShapes=x:8x3x48x1024 \ --maxShapes=x:64x3x48x1024 \ --fp16 \ --memPoolSize=workspace:1024 \ --sparsity=disable \ --saveEngine=PP-OCRv5_mobile_rec_f16_onnx.engine

开始推理

模型转换完成后，在程序中选择对应的.engine文件即可开始推理：

适用场景：

追求极致推理性能
NVIDIA GPU 环境
允许离线模型转换

六、性能测试与分析

6.1 性能测试工具

演示程序内置了完整的性能测试工具，支持两种测试模式：

整体耗时统计：计算从图片输入到结果输出的完整端到端耗时
详细阶段分析：记录预处理、推理、后处理各阶段的具体耗时

6.2 TensorRTSharp 性能示例

以下为使用 TensorRTSharp 在 4 并发配置下的性能测试数据：

Inference time: 53 ms ---- Detection ---- Inference Time Records: Index Preprocess(ms) Inference(ms) Postprocess(ms) Total(ms) 1 2.01 6.37 0.57 8.96 2 2.23 5.51 0.68 8.43 ---- Classification ---- Device/Worker 0: Inference Time Records: Index Preprocess(ms) Inference(ms) Postprocess(ms) Total(ms) 1 1.84 6.89 0.00 8.73 2 1.99 6.97 0.01 8.96 Device/Worker 1: Inference Time Records: Index Preprocess(ms) Inference(ms) Postprocess(ms) Total(ms) 1 1.79 6.66 0.00 8.46 2 1.66 7.60 0.00 9.26 Device/Worker 2: Inference Time Records: Index Preprocess(ms) Inference(ms) Postprocess(ms) Total(ms) 1 1.61 5.31 0.00 6.92 2 1.51 8.01 0.00 9.53 Device/Worker 3: Inference Time Records: Index Preprocess(ms) Inference(ms) Postprocess(ms) Total(ms) 1 1.24 7.73 0.00 8.98 2 1.82 8.35 0.00 10.17 ---- Recognition ---- Device/Worker 0: Inference Time Records: Index Preprocess(ms) Inference(ms) Postprocess(ms) Total(ms) 1 0.00 41.97 1.42 43.39 2 0.00 14.50 2.30 16.81 Device/Worker 1: Inference Time Records: Index Preprocess(ms) Inference(ms) Postprocess(ms) Total(ms) 1 0.00 47.40 6.81 54.21 2 0.00 19.42 2.76 22.18 Device/Worker 2: Inference Time Records: Index Preprocess(ms) Inference(ms) Postprocess(ms) Total(ms) 1 0.00 38.10 3.42 41.52 2 0.00 22.36 3.37 25.73 Device/Worker 3: Inference Time Records: Index Preprocess(ms) Inference(ms) Postprocess(ms) Total(ms) 1 0.00 109.94 4.58 114.52 2 0.00 26.59 4.55 31.14

6.3 性能对比总结

下表为使用洗发水图片，跑10次的平均时间测试：

推理引擎	设备	平均耗时	设备类型
OpenVINO	CPU	288ms	Intel(R) Core(TM) Ultra 9 288V 8核
OpenVINO	IGPU	99ms	Intel(R) Arc(TM) 140V GPU (16GB)
OpenVINO	混合 AUTO：IGPU+CPU	100ms	Intel(R) Core(TM) Ultra 9 288V 8核 Intel(R) Arc(TM) 140V GPU (16GB)
ONNX Runtime	CPU	656ms	AMD Ryzen 7 5800H with Radeon Graphics 8核
ONNX Runtime DML	GPU	114ms	NVIDIA GeForce RTX 3060 Laptop GPU
ONNX Runtime DML	IGPU	331ms	Intel(R) Arc(TM) 140V GPU (16GB)
ONNX Runtime CUDA	GPU	93ms	NVIDIA GeForce RTX 3060 Laptop GPU
ONNX Runtime TensorRT	GPU	52ms	NVIDIA GeForce RTX 3060 Laptop GPU
TensorRTSharp	GPU	51ms	NVIDIA GeForce RTX 3060 Laptop GPU

性能测试征集：我们欢迎广大开发者分享各自的测试数据。请在评论区提供您的测试配置（硬件型号、并发数、Batch Size）和实测耗时，后续我们将整理成性能基准对比表。

七、常见问题解答

Q1: 首次推理为什么特别慢？

A:首次推理时需要进行以下操作：

模型加载到内存
推理引擎初始化
JIT 编译（部分引擎）

这是正常现象，后续推理速度会显著提升。

Q2: 如何选择合适的推理引擎？

A:根据硬件环境和需求选择：

场景	推荐引擎
无 GPU，有Intel CPU,追求稳定性	OpenVINO
有Intel GPU，需要跨平台	OpenVINO
无 GPU，需要跨平台	ONNX Runtime CPU
有 NVIDIA 显卡，快速部署	ONNX Runtime CUDA
有 NVIDIA 显卡，追求性能	ONNX Runtime TensorRT / TensorRTSharp
Windows 平台，AMD 显卡	ONNX Runtime DML

Q3: 切换推理引擎时为什么需要重新加载模型？

A:不同推理引擎对模型格式的内部表示和优化策略不同，因此需要重新解析和加载模型。点击「加载模型」即可完成切换。

Q4: BatchSize 和并发数量有什么区别？

A:两个参数的作用不同：

BatchSize：单次推理处理的图片数量，提升 GPU 利用率
并发数量：同时运行的推理引擎数量，设置几个就会生成几个推理引擎进行同时推理，提升多核/CPU 利用率

调整 BatchSize 不需要重新加载模型，但调整并发数量后需要重新加载。

Q5: TensorRT 模型转换失败怎么办？

A:检查以下几点：

确保 CUDA 版本与 TensorRT 版本匹配
检查 ONNX 模型文件是否完整
确认trtexec参数中输入尺寸范围合理
如显存不足，减小--memPoolSize参数

Q6: 推理结果为空或识别不准确怎么办？

A:常见原因和解决方法：

图片质量：检查图片是否模糊、倾斜或光照不足
输入尺寸：确保图片尺寸符合模型输入要求
语言支持：确认模型是否支持目标语言
模型版本：尝试使用不同版本的 PaddleOCR 模型

八、软件获取

8.1 源码下载

DeploySharp 项目已完全开源，可通过以下方式获取：

主仓库：

https://github.com/guojin-yan/DeploySharp.git

PaddleOCR 演示程序：

https://github.com/guojin-yan/DeploySharp/tree/DeploySharpV1.0/applications/JYPPX.DeploySharp.OpenCvSharp.PaddleOcr

8.2 可执行程序

如需直接获取编译好的可执行程序，请加入技术交流群，从群文件下载最新版本。

九、技术支持

9.1 反馈与交流

GitHub Issues：在项目仓库提交 Issue 或 Pull Request
QQ 交流群：加入945057948，获取实时技术支持

结语

通过 DeploySharp 框架，我们成功实现了 PaddleOCR 在 .NET 环境下的高效部署。无论是纯 CPU 环境下的稳定运行，还是 GPU 加速下的极致性能，开发者都可以根据实际需求灵活选择。

未来，我们将持续优化框架性能，支持更多模型类型和推理引擎，为 .NET 开发者提供更完善的 AI 模型部署解决方案。

作者：Guojin Yan最后更新：2026年1月

【文章声明】

本文主要内容基于作者的研究与实践，部分表述借助 AI 工具进行了辅助优化。由于技术局限性，文中可能存在错误或疏漏之处，恳请各位读者批评指正。如果内容无意中侵犯了您的权益，请及时通过公众号后台与我们联系，我们将第一时间核实并妥善处理。感谢您的理解与支持！