持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文挑战」的第1天，点击查看活动详情 这篇的内容其实跟python的关系不是很大，是在使用python做文字识别的时候遇到的一个坑，这里大概记录

全新系列《深入浅出OCR》专栏，对标最全OCR教程，项目实战具体章节如导图所示，本篇以计算机视觉OCR项目实战为主，完成一项中文场景识别，方便学习者学习计算机视觉项目流程。

本篇为《深入浅出OCR》实战：基于PGNet的端到端识别，主要对端到端识别PGNet算法进行解读，配合PaddleOCR算法实现端到端算法实战。尽可能详细介绍代码及项目流程，如有错误请指正。

💻文章目录 《深入浅出OCR》第八章：【文档结构化】信息纠错与抽取 1.表格识别 现有的表格识别算法根据表格结构重建的原理可以分为下面四大类： 基于启发式规则的方法 基于CNN的方法 基于GCN的方法

本章将介绍常见的文字识别后处理方法，按照不同的目的将内容分为两部分：文本纠错和文本结构化。文本纠错的目标是纠正 OCR输出文本中错误的文字，而文本结构化则是从OCR输出文本中定位需要的信息，并按照应用

本篇为《深入浅出OCR》第六章：OCR数据集与评价指标,主要介绍OCR数据集（规则与不规则、合成数据集）、数据生成、OCR数据评估指标等知识进行介绍，方便小白或AI爱好者快速了解OCR方向知识.

上一章我们介绍到OCR流程包括两阶段算法和端到端算法，本篇为 主要对深度学习端到端识别方法进行介绍，端到端算法具有模型小、速度快的特点，本人将从经典端到端识别算法结构、代码、论文解读等角度展开介绍。

上一篇作者着重介绍文字识别算法的发展、分类及各自领域经典算法，为了进一步熟悉文字识别流程，本次作者将以基于主流文字识别算法CRNN为例，全面对文字识别技术流程进行解读，方便学习者快速上手实战。

OCR（光学字符识别）是计算机视觉领域的重要应用之一。要对深度学习OCR文字识别方法进行介绍，本人将从经典算法结构、代码、论文解读等角度展开，配合作者总结的思维导图，深入浅出OCR知识。