PP-OCRv5_mobile_rec 模型转 TFLite 完整教程
一、环境准备
1. 创建虚拟环境
cmd
# 创建虚拟环境（命名为 ocr_convert_env）
python -m venv ocr_convert_env
# 激活虚拟环境（Windows CMD）
ocr_convert_env\Scripts\activate.bat
# 激活虚拟环境（Windows PowerShell）
ocr_convert_env\Scripts\Activate.ps12. 安装核心依赖
cmd
# 安装 TensorFlow 2.13.0（稳定版）
pip install tensorflow==2.13.0# 安装 ONNX 相关工具
pip install onnx==1.14.0 onnxruntime==1.15.0 onnxsim==0.4.33
# 安装 onnx2tf（用于 ONNX → TensorFlow 转换）
pip install onnx2tf==1.15.1 psutil二、模型转换流程
1. 准备 Paddle 静态图模型
确保已获取 PP-OCRv5_mobile_rec 的 Paddle 静态图模型，目录结构如下：
plaintext
PP-OCRv5_mobile_rec_infer/
├── inference.pdiparams
├── inference.pdiparams.info
└── inference.pdmodel
2. Paddle 静态图 → ONNX
使用 paddle2onnx 将 Paddle 静态图模型转换为 ONNX 模型：
cmd
paddle2onnx \
--model_dir ./PP-OCRv5_mobile_rec_infer \
--model_filename inference.pdmodel \
--params_filename inference.pdiparams \
--save_file ./PP-OCRv5_mobile_rec_infer.onnx \
--opset_version 11 \
--input_shape_dict="{'x':[1,3,48,320]}"3. 简化 ONNX 模型
使用 onnxsim 简化 ONNX 模型，固定输入形状：
cmd
onnxsim ./PP-OCRv5_mobile_rec_infer.onnx ./PP-OCRv5_mobile_rec_infer_simplified.onnx --overwrite-input-shape "x:1,3,48,320"
4. ONNX → TFLite（使用 onnx2tf）
使用 onnx2tf 直接将 ONNX 模型转换为 TFLite 模型：
cmd
onnx2tf -i ./PP-OCRv5_mobile_rec_infer_simplified.onnx -o ./rec_v5_savedmodel -ois "x:1,3,48,320"
5. 检查转换结果
转换成功后，在 ./rec_v5_savedmodel 目录下会生成两个 TFLite 模型：
model_float32.tflite（单精度浮点型）
model_float16.tflite（半精度浮点型）
三、常见问题及解决方案
1. 依赖冲突
问题：安装依赖时出现版本冲突。解决方案：使用虚拟环境，严格控制版本，推荐使用本文指定的版本组合。
2. onnxruntime 版本找不到
问题：ERROR: Could not find a version that satisfies the requirement onnxruntime==1.14.1解决方案：使用镜像中可用的版本，如 onnxruntime==1.15.0。
3. onnx2tf 转换卡住
问题：转换过程中卡在 "Model convertion started"。解决方案：
等待一段时间，模型转换可能耗时较长。
使用 -n 参数启用详细日志，查看转换进度。
尝试降低 onnx2tf 版本，如 onnx2tf==1.15.1。
4. SavedModel 文件不存在
问题：OSError: SavedModel file does not exist at: ./rec_v5_savedmodel\{saved_model.pbtxt|saved_model.pb}解决方案：
检查 onnx2tf 转换是否成功，是否生成了 TFLite 模型。
模型包含 GroupConvolution 时，onnx2tf 可能只生成 TFLite 模型，不生成 SavedModel。
5. Docker 拉取镜像失败
问题：网络连接问题导致 Docker 拉取镜像失败。解决方案：
配置国内 Docker 镜像源。
使用本地环境进行转换。
四、输出结果说明
1. TFLite 模型
Float32 模型：精度较高，适合对精度要求高的场景。
Float16 模型：模型体积更小，推理速度更快，适合资源受限的设备。
2. SavedModel（可选）
如果需要 SavedModel，可以使用以下命令：
cmd
onnx2tf -i ./PP-OCRv5_mobile_rec_infer_simplified.onnx -o ./rec_v5_savedmodel -ois "x:1,3,48,320" --disable_group_convolution
五、使用 TFLite 模型
1. Android 平台
将 TFLite 模型放入 Android 项目的 assets 目录，使用 TensorFlow Lite Android 支持库加载和推理。
2. iOS 平台
将 TFLite 模型放入 iOS 项目，使用 TensorFlow Lite iOS 支持库加载和推理。
3. Python 平台
使用 TensorFlow Lite Python 支持库加载和推理：
python运行
import tensorflow as tf
# 加载 TFLite 模型
interpreter = tf.lite.Interpreter(model_path="./rec_v5_savedmodel/model_float32.tflite")
interpreter.allocate_tensors()
# 获取输入输出张量
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
# 准备输入数据（示例）
input_data = np.random.rand(1, 3, 48, 320).astype(np.float32)
# 设置输入数据
interpreter.set_tensor(input_details[0]['index'], input_data)
# 执行推理
interpreter.invoke()
# 获取输出结果
output_data = interpreter.get_tensor(output_details[0]['index'])六、总结
本教程详细介绍了从 Paddle 静态图模型到 TFLite 模型的完整转换流程，包括环境准备、模型转换、常见问题解决方案和 TFLite 模型使用方法。通过本教程，可以快速将 PP-OCRv5_mobile_rec 模型转换为 TFLite 模型，用于移动设备和边缘设备的 OCR 应用。
关键步骤：
创建虚拟环境，安装核心依赖。
使用 paddle2onnx 将 Paddle 模型转换为 ONNX 模型。
使用 onnxsim 简化 ONNX 模型，固定输入形状。
使用 onnx2tf 将 ONNX 模型转换为 TFLite 模型。
检查转换结果，使用生成的 TFLite 模型进行推理。
通过严格按照本教程操作，可以避免大多数转换过程中的问题，顺利获得可用的 TFLite 模型。