From fdcc9e1d7aa63365f3ee27204752e4229b47b0d7 Mon Sep 17 00:00:00 2001
From: anan505 <1204828624@qq.com>
Date: Fri, 6 Dec 2024 11:07:02 +0000
Subject: [PATCH 1/4] update mxVision/OpticalCharacterRecognition/README.md.

Signed-off-by: anan505 <1204828624@qq.com>
---
 .../OpticalCharacterRecognition/README.md     | 437 ++++++------------
 1 file changed, 142 insertions(+), 295 deletions(-)

diff --git a/mxVision/OpticalCharacterRecognition/README.md b/mxVision/OpticalCharacterRecognition/README.md
index e8ec4b32a..5e78164ba 100644
--- a/mxVision/OpticalCharacterRecognition/README.md
+++ b/mxVision/OpticalCharacterRecognition/README.md
@@ -1,34 +1,37 @@
-# OCR
+# 基于MxBase接口的OCR字符识别
 
-# 1 简介
+## 1 介绍
+### 1.1 简介
 
-## 1.1 背景介绍
 
-本参考设计的目的主要包括以下几个方面：
+开发样例是基于mxBase开发的OCR应用，实现识别输入图片中的文字功能。
 
-1.为金融、安防、互联网等客户提供基于Atlas做OCR的参考样例，验证可行性；
+### 1.2 支持的产品
 
-2.作为客户基于mxBase开发OCR应用的编程样例（下称Demo），开放源代码给客户参考，降低客户准入门槛；
+本项目支持昇腾Atlas 300I pro、 Atlas 300V pro。
 
-3.提供新架构下系统优化案例，打造超高性能原型系统，为客户提供选择Atlas的理由。
+### 1.3 支持的版本
+本样例配套的MxVision版本、CANN版本、Driver/Firmware版本如下所示：
 
-本Demo模型选择是面向直排文本，不考虑弯曲文本的情况，并选择JPEG作为输入图像格式，实现识别输入图片中的文字功能。本文档提供对OCR Demo实现方案的说明。
+| MxVision版本  | CANN版本  | Driver/Firmware版本  |
+| --------- |---------| -------------- |
+| 6.0.RC3   | 8.0.RC3 |  24.1.RC3  |
 
-## 1.2 支持的产品
+### 1.4 三方依赖
 
-本系统采用Atlas 300I Pro, Atlas 300V Pro作为实验验证的硬件平台。
+第三方依赖软件和版本如下表。请确认环境已安装pip3后，使用`pip3 install * `安装以下依赖：
 
-## 1.3 软件方案介绍
+|软件名称    | 版本        |
+|-----------|-----------|
+| numpy     | 1.24.0    |
+| paddle2onnx     | 1.2.4    |
+| paddlepaddle     | 2.6.0    |
+| tqdm | 4.66.5 |
+| shapely | 2.0.6 |
+| joblib | 1.4.2 |
 
-软件方案包含OCR的三个环节：文本检测，方向分类，字符识别。其中文本检测和字符识别是必要环节，方向分类为可选环节。
-
-本Demo支持基于Paddle PP-OCR server 2.0的DBNet(检测)和CRNN(识别)模型在310P芯片上进行静态分档推理以及CRNN(识别)模型在310P芯片上进行动态shape推理。为了提高CPU、NPU资源利用率，实现极致性能，Demo采用了流水并行及多路并行处理方案。
-
-### 代码主要目录介绍
-
-本Demo根目录下src为源码目录，现将src的子目录介绍如下：
-**注意**：代码目录中的src/AscendBase/Base/Framework/ModuleProcessors/TextDetectionPost/下的clipper.cpp、clipper.hpp为开源第三方模块，Demo中不包含这两个文件，需用户自行下载这两个文件，然后放在对应位置。
-clipper.cpp、clipper.hpp文件下载链接：https://udomain.dl.sourceforge.net/project/polyclipping/clipper_ver6.4.2.zip
+### 1.5 代码目录结构说明
+本工程名称为OpticalCharacterRecognition，工程目录如下图所示：
 
 ```
 .
@@ -82,303 +85,178 @@ clipper.cpp、clipper.hpp文件下载链接：https://udomain.dl.sourceforge.net
 │       │   ├── dbnet
 ├── README.md
 ```
+**注意**：代码目录中的`src/AscendBase/Base/Framework/ModuleProcessors/TextDetectionPost/`下的`lipper.cpp`、`clipper.hpp`为开源第三方模块，需用户自行下载这两个文件，然后放在对应位置。
 
-# 2 环境搭建
-
-### 2.1 软件依赖说明
+- clipper.cpp、clipper.hpp文件[下载链接](https://sourceforge.net/projects/polyclipping/files/clipper_ver6.4.2.zip/download)， 在文件夹`cpp`下可以找到。
 
-**表2-1** 软件依赖说明
+### 1.6 相关约束
 
-| 依赖软件          | 版本           | 依赖说明
-| -------------   |--------------| ---------------------|
-| CANN            | 7.0.RC1 | 提供基础acl/himpi接口 |
-| mxVision        | 5.0.RC3      | 提供基础mxBase的能力 |
+本样例是面向直排文本，不考虑弯曲文本的情况，仅支持JPEG作为输入图像格式。
 
 
-### 2.2 CANN环境变量设置
+## 2 设置环境变量
 
 ```bash
-. ${CANN_INSTALL_PATH}/ascend-toolkit/set_env.sh
-```
-
-### 2.3 mxVision环境变量设置
+#设置CANN环境变量
+. ${ascend-toolkit-path}/set_env.sh
 
-```bash
-. ${MX_SDK_HOME}/set_env.sh
+#设置MindX SDK 环境变量，SDK-path为mxVision SDK 安装路径
+. ${SDK-path}/set_env.sh
 ```
 
-# 3 模型转换及数据集获取
+## 3 准备模型
 
-## 3.1 Demo所用模型下载地址
+**步骤1：** 下载模型
 
-Paddle PP-OCR server 2.0模型:
+Paddle PP-OCR server 2.0模型（`.onnx`格式文件）:
 
 | 名称      | 下载链接 |
 | --------------- | -------------- |
-| Paddle PP-OCR server 2.0 DBNet   |  https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_server_v2.0_det_infer.tar|
-| Paddle PP-OCR server 2.0 Cls  | https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_cls_infer.tar|
-| Paddle PP-OCR server 2.0 CRNN | https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_server_v2.0_rec_infer.tar|
-
-识别模型字典文件下载地址：
-https://raw.githubusercontent.com/PaddlePaddle/PaddleOCR/release/2.5/ppocr/utils/ppocr_keys_v1.txt
-
-
-## 3.2 Demo所用测试数据集下载地址
-数据集ICDAR-2019 LSVT下载地址：
-
-
-| 名称 | 下载链接 |
-|---------|----------|
-| 图片压缩包1 | https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_0.tar.gz|
-| 图片压缩包2 | https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_1.tar.gz|
-| 标注文件 | https://dataset-bj.cdn.bcebos.com/lsvt/train_full_labels.json|
+| Paddle PP-OCR server 2.0 DBNet   | [ch_ppocr_server_v2.0_det_infer.onnx](https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/mindxsdk-referenceapps%20/mxVision/OpticalCharacterRecognition/ch_ppocr_server_v2.0_det_infer.onnx) |
+| Paddle PP-OCR server 2.0 Cls  | [ch_ppocr_mobile_v2.0_cls_infer.onnx](https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/mindxsdk-referenceapps%20/mxVision/OpticalCharacterRecognition/ch_ppocr_mobile_v2.0_cls_infer.onnx) |
+| Paddle PP-OCR server 2.0 CRNN | [ch_ppocr_server_v2.0_rec_infer_argmax.onnx](https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/mindxsdk-referenceapps%20/mxVision/OpticalCharacterRecognition/ch_ppocr_server_v2.0_rec_infer_argmax.onnx) |
 
 
-图片压缩包名为 train_full_images_0.tar.gz 与 train_full_images_1.tar.gz
+**步骤2：** 放置模型文件
 
-标签文件名为 train_full_labels.json
+将下载的文件放置在路径`OpticalCharacterRecognition/src/data/models`下对应的文件夹内。
 
-### 3.2.1 数据集准备
+**步骤3：** 模型转换
 
-#### 3.2.1.1 数据集下载
-命令参考
-```
-wget https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_0.tar.gz
-wget https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_1.tar.gz
-wget https://dataset-bj.cdn.bcebos.com/lsvt/train_full_labels.json
+在三个模型目录下分别执行对应的atc转换脚本：
+```bash
+bash atc.sh
 ```
+执行完模型转换脚本后，若提示如下信息说明模型转换成功，并可以找到对应的`.om`模型文件。
 
-#### 3.2.1.2 数据集目录创建
-创建数据集目录
-```
-mkdir -p ./icdar2019/images
-```
-#### 3.2.1.3 解压图片并移动到对应目录
-解压图片压缩包并移动图片到对应目录
-```
-tar -zvxf ./train_full_images_0.tar.gz
-tar -zvxf ./train_full_images_1.tar.gz
-mv train_full_images_0/* ./icdar2019/images
-mv train_full_images_1/* ./icdar2019/images
-rm -r train_full_images_0
-rm -r train_full_images_1
 ```
-#### 3.2.1.4 标签格式转换
-label文件格式转换为ICDAR2015格式, 转换脚本位于src/Common/LabelTrans/label_trans.py
-
-运行标签格式转换脚本工具需要依赖的三方库如下所示：
-**表3-1** label_trans.py依赖python三方库
-
-| 名称 | 版本 |
-| --- | --- |
-| numpy | =1.22.4 |
-| tqdm | =4.64.0 |
+ATC run success, welcome to the next use.
+```  
 
+**步骤4：** CRNN模型文件放置
 
-格式转换脚本参考如下:
-```
-python3 ./label_trans.py --label_json_path=/xx/xx/train_full_labels.json --output_path=/xx/xx/icdar2019/
+在`OpticalCharacterRecognition/src/data/models/crnn`下应该可以看到5个`.om`模型文件，在该目录下执行以下命令将`.om`模型文件都移动到新建目录`OpticalCharacterRecognition/src/data/models/crnn/static`目录下：
+```bash
+mkdir static
+mv crnn_dynamic_dims_16_bs1.om ./static
+mv crnn_dynamic_dims_16_bs4.om ./static
+mv crnn_dynamic_dims_16_bs8.om ./static
+mv crnn_dynamic_dims_16_bs16.om ./static
+mv crnn_dynamic_dims_16_bs32.om ./static
 ```
 
-## 3.3 pdmodel模型转换为onnx模型
-- **步骤 1**   将下载好的paddle模型转换成onnx模型。
-  执行以下命令安装转换工具paddle2onnx
+## 4 编译与运行
 
-  ```
-   pip3 install paddle2onnx==0.9.5
-  ```
-  运行paddle2onnx工具需要依赖的三方库如下所示：
+**步骤1：** 准备数据集
 
-**表3-2** paddle2onnx依赖python三方库
+1. 准备识别模型字典文件:
 
-| 名称 | 版本 |
-| --- | --- |
-| paddlepaddle | 2.3.0 |
+- 可通过[下载地址](https://raw.githubusercontent.com/PaddlePaddle/PaddleOCR/release/2.5/ppocr/utils/ppocr_keys_v1.txt)直接下载文件；
 
-PP-OCR server 2.0 DBNet模型转成onnx模型指令参考如下：
-```
-paddle2onnx --model_dir ./ch_ppocr_server_v2.0_det_infer/ --model_filename inference.pdmodel --params_filename inference.pdiparams --save_file ./ch_ppocr_server_v2.0_det_infer.onnx --opset_version 11 --enable_onnx_checker True --input_shape_dict="{'x':[-1,3,-1,-1]}"
-```
-
-PP-OCR server 2.0 CRNN模型转成onnx模型指令参考如下：
-```
-paddle2onnx --model_dir ./ch_ppocr_server_v2.0_rec_infer/ --model_filename inference.pdmodel --params_filename inference.pdiparams --save_file ./ch_ppocr_server_v2.0_rec_infer.onnx --opset_version 11 --enable_onnx_checker True --input_shape_dict="{'x':[-1,3,32,-1]}"
-```
-
-PP-OCR server 2.0 Cls模型转成onnx模型指令参考如下：
-```
-paddle2onnx --model_dir ./ch_ppocr_mobile_v2.0_cls_infer --model_filename inference.pdmodel --params_filename inference.pdiparams --save_file ./ch_ppocr_mobile_v2.0_cls_infer.onnx --opset_version 11 --enable_onnx_checker True
+- 或者通过以下指令下载：
+```bash
+wget -O ppocr_keys_v1.txt https://raw.githubusercontent.com/PaddlePaddle/PaddleOCR/release/2.5/ppocr/utils/ppocr_keys_v1.txt
 ```
 
-## 3.4 识别模型插入ArgMax算子
-- **步骤 2** 使用算子插入工具insert_argmax给字符识别模型（CRNN）插入argmax算子。
-
-转到src/Common/InsertArgmax目录下，执行脚本，此处需要传入两个参数：'model_path',对应ch_ppocr_server_v2.0_rec_infer.onnx模型所在路径；'check_output_onnx'，为是否需要针对输出模型做校验，默认值为True，可选choices=[True, False]
-
-使用算子插入工具insert_argmax插入argmax算子指令参考:
-  ```
-   python3 insert_argmax.py --model_path /xx/xx/ch_ppocr_server_v2.0_rec_infer.onnx --check_output_onnx True
-  ```
-**表3-3** 使用自动算子插入工具插入argmax算子。
 
-|参数名称 | 参数含义 | 默认值 | 可选值 |
-| --- | --- | --- | --- |
-| model_path | 对应ch_ppocr_server_v2.0_rec_infer.onnx模型所在路径 |''|''|
-| check_output_onnx | 是否需要针对输出模型做校验 | True|True,False|
 
-转换出来的结果位于'model_path'路径下，命名为'ch_ppocr_server_v2.0_rec_infer_argmax.onnx'的onnx模型文件。
+2. 准备数据集ICDAR-2019 LSVT：
 
-**表3-4** insert_argmax.py脚本依赖python三方库
+- 可通过下方表格的下载链接直接下载；
 
-| 名称 | 版本 |
-| --- | --- |
-| onnx | >=1.9.0 |
-| onnxruntime | >=1.13.1 |
-
-## 3.5 模型转换
+| 名称 | 下载链接 |
+|---------|----------|
+| 图片压缩包1 | (train_full_images_0.tar.gz)[https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_0.tar.gz]|
+| 图片压缩包2 | (train_full_images_1.tar.gz)[https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_1.tar.gz]|
+| 标注文件 | (train_full_labels.json)[https://dataset-bj.cdn.bcebos.com/lsvt/train_full_labels.json]|
 
-****进行模型转换前需设置CANN环境变量**** 默认的路径为
-```
-. /usr/local/Ascend/ascend-toolkit/set_env.sh
+- 或通过指令下载：
+```bash
+wget https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_0.tar.gz
+wget https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_1.tar.gz
+wget https://dataset-bj.cdn.bcebos.com/lsvt/train_full_labels.json
 ```
-请以实际安装路径为准。
 
-### 3.5.1 文本检测模型转换
-将文本检测onnx模型转换成om模型，转换指令参考src/data/models/dbnet目录下面的对应的atc转换脚本（ONNX模型路径以实际为准）：
-```
-bash atc.sh
-```
+**步骤2：** 解压并放置数据集
 
-### 3.5.2 字符识别模型转换
-字符识别支持静态分档模型和动态shape模型两种场景，可通过配置文件setup.config任选其一，详细说明见章节4.2。
-#### 3.5.2.1 静态分档模型
-在静态分档模型场景下，将字符识别onnx模型转换成om模型，转换指令参考src/data/models/crnn目录下面的对应的atc转换脚本atc.sh（ONNX模型路径以实际为准）：
-```
-bash atc.sh
-```
-可在该目录下新建static目录，将转换生成的模型可统一放置static目录内，用于配置文件recModelPath字段的配置。
-#### 3.5.2.2 动态shape模型
-在动态Shape模型场景下，字符识别onnx模型转换成om模型，转换指令参考src/data/models/crnn目录下面的对应的atc转换脚本atc_dynamic.sh（ONNX模型路径以实际为准）：
-```
-bash atc_dynamic.sh
-```
-### 3.5.3 分类模型转换
-将onnx模型转换成om模型。转换指令参考src/demo/data/models/cls目录下面的对应的atc转换脚本（ONNX模型路径以实际为准）：
+1. 通过以下指令在当前位置创建数据集目录：
+```bash
+mkdir -p ./icdar2019/images
 ```
-bash atc.sh
+2. 在当前目录下解压图片并移动到对应目录：
+```bash
+tar -zvxf ./train_full_images_0.tar.gz  # 确认当前目录下有对应数据包
+tar -zvxf ./train_full_images_1.tar.gz
+mv train_full_images_0/* ./icdar2019/images
+mv train_full_images_1/* ./icdar2019/images
+rm -r train_full_images_0
+rm -r train_full_images_1
 ```
 
-# 4 编译运行
-
-## 4.1 系统方案各子模块功能介绍
-**表4-1** 系统方案各子模块功能：
+**步骤3：** 标签格式转换
 
-| 序号 | 子系统 | 功能描述 |
-| --- | --- | --- |
-| 1 | 图片分发模块 | 从用户指定的文件夹读取图片，并分发给后续的模块。 |
-| 2 | DBNet模型前处理 | 主要负责解码和缩放，在310P芯片上使用dvpp解码。 |
-| 3 | DBNet模型推理 | 本模块负责将前处理好的图片输入进检测模型并获得模型推理出的Tensor。 |
-| 4 | DBNet模型后处理 | 本模块主要负责将输出的Tensor根据与训练一致的后处理流程将输入图片切割为包含文本的子图。 |
-| 5 | Cls模型前处理 | 对dbnet后处理之后切割的子图做resize和归一化操作以及分类模型推理时的batch划分 |
-| 6 | Cls模型推理 | 本模块负责将前处理好的图片输入进分类模型并获得模型推理出的Tensor。 |
-| 7 | Cls模型后处理 | 将模型输出的Tensor根据与训练一致的后处理流程将需要翻转的子图翻转180度。|
-| 8 | Crnn模型前处理 | 对dbnet后处理之后切割的子图做resize和归一化操作以及识别模型推理时的batch划分 |
-| 9 | Crnn模型推理 | 本模块负责将前处理好的图片输入进识别模型并获得模型推理出的Tensor。支持动态shape和静态分档的推理。 |
-| 10 | Crnn模型后处理 | 将模型输出的Tensor根据字典转换为文字识别的结果。 |
-| 11 | 推理结果保存模块 | 保存推理结果，并在推理结束时发送停止信号。 |
+label标注文件格式转换为ICDAR2015格式, 执行的转换脚本为`OpticalCharacterRecognition/src/Common/LabelTrans/label_trans.py`。
 
-## 4.2 配置
+执行命令：
+```bash
+python3 ./label_trans.py --label_json_path=/xx/xx/train_full_labels.json --output_path=/xx/xx/icdar2019/
+```
 
-运行前需要在 `/src/data/config/setup.config` 配置以下信息
+**步骤4：** 修改配置文件
 
-配置程序运行的deviceId，deviceType及模型路径等信息
-**注意**：如果输入图片中包含敏感信息，使用完后请按照当地法律法规要求自行处理，防止信息泄露。
-配置device
+ 修改配置文件`OpticalCharacterRecognition/src/data/config/setup.config`：
+ 1. 第5行修改推理使用的device的ID：
   ```bash
   deviceId = 0 // 进行推理的device的id
-  deviceType = 310P //310P
   ```
-
-配置模型路径
+2. 第28行配置文本识别模型字符标签文件:
   ```bash
-  detModelPath = ./data/models/dbnet/dbnet_dy_dynamic_shape.om // DbNet模型路径
-  recModelPath = ./data/models/crnn/static // CRNN模型路径，静态分档时仅需输入包含识别模型的文件夹的路径即可，动态shape时需要输入模型的路径
-  clsModelPath = ./data/models/cls/cls_310P.om // CLS模型路径
+  dictPath = dictPath = /path/to/ppocr_keys_v1.txt // 识别模型字典文件
   ```
 
-配置文本识别模型输入要求的高、宽的步长
- ```bash
- staticRecModelMode = true      // true时采用静态分档，false时采用动态shape
- recHeight = 32      // 识别模型输入要求的高，需和crnn转om模型的参数对应   [仅需在使用动态shape模型时配置]
- recMinWidth = 32      // 识别模型输入宽的最小值，需和crnn转om模型的参数对应   [仅需在使用动态shape模型时配置]
- recMaxWidth = 4096     // 识别模型输入宽的最大值，需和crnn转om模型的参数对应   [仅需在使用动态shape模型时配置]
- ```
+**步骤5：** 编译项目
 
-配置文本识别模型字符标签文件
+在目录`OpticalCharacterRecognition/src/`下执行：
   ```bash
-  dictPath = ./data/models/crnn/ppocr_keys_v1.txt // 识别模型字典文件
+  bash build.sh
   ```
+编译完成后，在`OpticalCharacterRecognition/src/dist/`目录下会生成可执行文件`main`。
 
-配置识别文字的输出结果路径
-  ```bash
-  saveInferResult = false // 是否保存推理结果到文件，默认不保存，如果需要，该值设置为true，并配置推理结果保存路径
-  resultPath = ./result // 推理结果保存路径
-  ```
-**注意**：推理结果写文件是追加写的，如果推理结果保存路径中已经存在推理结果文件，推理前请手动删除推理结果文件，如果有需要，提前做好备份。
-
-## 4.3 编译
-
-- **步骤 1** 登录服务器操作后台，安装CANN及mxVision并设置环境变量。
-
-- **步骤 2** 将mxOCR压缩包下载至任意目录，如“/home/HwHiAiUser/mxOCR”，解压。
+**步骤6：** 准备输入图片
 
-- **步骤 3** 执行如下命令，构建代码。
-
-  ```
-   cd /home/HwHiAiUser/mxOCR/OpticalCharacterRecognition/src/;
-   bash build.sh
-  ```
+需要使用的输入图片必须为JPEG格式，图片名格式为前缀+下划线+数字的形式，如`xxx_xx.jpg`。
+将需要输入的图片放在目录`/xx/xx/icdar2019/images/`下。
 
-  *提示：编译完成后会生成可执行文件“main”，存放在“/home/HwHiAiUser/mxOCR/OpticalCharacterRecognition/src/dist/”目录下。*
 
-  ## 4.4 运行
-  **注意 C++ Demo 运行时日志打印调用的是mxVision里面的日志模块，mxVision默认打印日志级别为error，如果需要查看info日志，请将配置文件logging.conf中的console_level值设为0。**
-  logging.conf文件路径：mxVison安装目录/mxVision/config/logging.conf
+**步骤7：** 运行程序
 
-  ### 输入图像约束
+执行如下命令，启动程序：
 
-  仅支持JPEG格式，图片名格式为前缀+下划线+数字的形式，如xxx_xx.jpg。
-
-  ### 运行程序
-  **注意 在模型的档位较多，或者设置并发数过大的情况下，有可能会导致超出device内存。请关注报错信息。**
-
-  执行如下命令，启动程序。
-
-    ```
-    ./dist/main -image_path /xx/xx/icdar2019/images/ -thread_num 1 -direction_classification false -config ./data/config/setup.config
-    ```
+```bash
+./dist/main -image_path /xx/xx/icdar2019/images/ -thread_num 1 -direction_classification false -config ./data/config/setup.config
+```
+运行可使用的参数说明：
 
-    根据屏幕日志确认是否执行成功。
+| 选项 | 意义 | 
+| --- | --- | 
+| -image_path | 输入图片所在的文件夹路径。 |
+| -thread_num | 运行程序的线程数，取值范围1-4，请根据环境内存设置合适值。 | 
+| -direction_classification | 是否在检测模型之后使用方向分类模型。 | 
+| -config | 配置文件setup.config的完整路径。 | 
 
-    识别结果默认存放在“/home/HwHiAiUser/mxOCR/OpticalCharacterRecognition/src/result”目录下。
+**步骤8：** 查看结果
 
-*提示：输入./dist/main -h可查看该命令所有信息。运行可使用的参数如表4-2 运行可使用的参数说明所示。*
+- 结果位置：
 
-**表4-2** 运行可使用的参数说明
+根据屏幕日志确认是否执行成功。
 
-| 选项 | 意义 | 默认值 |
-| --- | --- | --- |
-| -image_path | 输入图片所在的文件夹路径 | ./data/imagePath |
-| -thread_num | 运行程序的线程数，取值范围1-4，请根据环境内存设置合适值。 | 1 |
-| -direction_classification | 是否在检测模型之后使用方向分类模型。 | false |
-| -config | 配置文件setup.config的完整路径。 | ./data/config/setup.config |
+识别结果默认存放在`OpticalCharacterRecognition/src/result`目录下。
 
-*提示：image_path路径下包含的图片会根据thread_num数目进行数据集分割，分割结果存放在/**/**/OpticalCharacterRecognition/src/data/config目录下。*
+**注意**：推理结果写文件是追加写的，如果推理结果保存路径中已经存在推理结果文件，推理前请手动删除推理结果文件，如果有需要，提前做好备份。
 
-### 结果展示
+- 结果内容：
 
-OCR识别结果保存在配置文件中指定路径的infer_img_x.txt中（x 为图片id）
-每个infer_img_x.txt中保存了每个图片文本框四个顶点的坐标位置以及文本内容，格式如下:
+每个infer_img_x.txt（x 为图片id）中保存了每个图片文本框四个顶点的坐标位置以及文本内容，格式如下:
   ```bash
   1183,1826,1711,1837,1710,1887,1181,1876,签发机关/Authority
   2214,1608,2821,1625,2820,1676,2212,1659,有效期至/Dateofexpin
@@ -388,62 +266,31 @@ OCR识别结果保存在配置文件中指定路径的infer_img_x.txt中（x 为
   ```
 **注意**：如果输入图片中包含敏感信息，使用完后请按照当地法律法规要求自行处理，防止信息泄露。
 
-# 4.5 动态库依赖说明
 
-Demo动态库依赖可参见代码中“src”目录的“CMakeLists.txt”文件中“target_link_libraries”参数处。
+# 5 精度验证
 
-**表4-3** 动态库依赖说明
+**步骤1：** 准备验证数据集
 
-| 依赖软件 | 说明 | 
-| --- | --- |
-| libascendcl.so | ACL框架接口，具体介绍可参见ACL接口文档。 |
-| libacl_dvpp.so | ACL框架接口，具体介绍可参见ACL接口文档。 |
-| libpthread.so | C++的线程库。 |
-| libglog.so | C++的日志库。 |
-| libopencv_world.so | OpenCV的基本组件，用于图像的基本处理。|
-| libmxbase.so | 基础SDK的基本组件，用于模型推理及内存拷贝等。|
+执行完“4 编译与运行”的“步骤2”后的`icdar2019/images`为测试所用的所有输入图片。
 
-# 5 精度测试脚本使用
+**步骤2：** 生成运行结果
 
-## 5.1 依赖python三方库安装
+按照上述的“4 编译与运行”完成所有输入图片的结果生成。
 
-精度测试脚本运行依赖的三方库如表5-1所示
+**步骤3：** 进行精度计算
 
-**表5-1** 依赖python三方库
-
-| 名称 | 版本 |
-| --- | --- |
-| shapely | >=1.8.2 |
-| numpy | >=1.22.4 |
-| joblib | >=1.1.0 |
-| tqdm | >4.64.0 |
-
-安装命令
-  ```
-  pip3 install + 包名
-  ```
-
-## 5.2 运行
-
-### 运行程序
-
-- **步骤 1** 将mxOCR压缩包下载至任意目录，如“/home/HwHiAiUser/mxOCR”，解压。
-- **步骤 2** 运行ocr Demo生成推理结果文件。
-- **步骤 3** 执行如下命令，启动精度测试脚本，命令中各个参数请根据实际情况指定。
-
-  ```
-  cd /home/HwHiAiUser/mxOCR/OpticalCharacterRecognition/src/Common/EvalScript;
-  python3 eval_script.py --gt_path=/xx/xx/icdar2019/labels --pred_path=/xx/xx/result
-  ```
-
-  根据屏幕日志确认是否执行成功。
+在目录`OpticalCharacterRecognition/src/Common/EvalScript`下执行：
+```bash
+python3 eval_script.py --gt_path=/xx/xx/icdar2019/labels --pred_path=/xx/xx/result
+```
+运行可使用的参数说明：
 
-*运行可使用的参数如表5-2 运行可使用的参数说明所示。*
+| 选项 | 意义 | 
+| --- | --- | 
+| --gt_path | 测试数据集标注文件路径。 | 
+| --pred_path | Ocr Demo运行的推理结果存放路径。 |
+| --parallel_num | 并行数。 |
 
-**表5-2** 运行可使用的参数说明
+**步骤4：** 查看精度结果
 
-| 选项 | 意义 | 默认值 |
-| --- | --- | --- |
-| --gt_path | 测试数据集标注文件路径。 | "" |
-| --pred_path | Ocr Demo运行的推理结果存放路径。 | "" |
-| --parallel_num | 并行数。 | 32 |
\ No newline at end of file
+根据屏幕回显日志获取精度结果。
\ No newline at end of file
-- 
Gitee


From e2d4e43756d68b53989ff21bfa4f6630d286cfbf Mon Sep 17 00:00:00 2001
From: anan505 <1204828624@qq.com>
Date: Fri, 6 Dec 2024 11:07:21 +0000
Subject: [PATCH 2/4] update
 mxVision/OpticalCharacterRecognition/src/CMakeLists.txt.

Signed-off-by: anan505 <1204828624@qq.com>
---
 mxVision/OpticalCharacterRecognition/src/CMakeLists.txt | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/mxVision/OpticalCharacterRecognition/src/CMakeLists.txt b/mxVision/OpticalCharacterRecognition/src/CMakeLists.txt
index d82ece48e..a757853c9 100644
--- a/mxVision/OpticalCharacterRecognition/src/CMakeLists.txt
+++ b/mxVision/OpticalCharacterRecognition/src/CMakeLists.txt
@@ -9,7 +9,7 @@ set(PROJECT_SRC_ROOT ${CMAKE_CURRENT_LIST_DIR})
 set(CMAKE_MODULE_PATH ${PROJECT_SRC_ROOT}/CMake)
 set(CMAKE_SKIP_BUILD_RPATH True)
 set(CMAKE_RUNTIME_OUTPUT_DIRECTORY ${PROJECT_SRC_ROOT}/dist)
-add_compile_options(-std=c++11 -fPIE -fstack-protector-all -Wall)
+add_compile_options(-std=c++14 -fPIE -fstack-protector-all -Wall)
 add_definitions(-DENABLE_DVPP_INTERFACE)
 
 set(AscendBaseFolder ${PROJECT_SRC_ROOT}/AscendBase/Base)
-- 
Gitee


From 61cf63883eb456cb0c5aabf37fe3f5626f1b5c45 Mon Sep 17 00:00:00 2001
From: anan505 <1204828624@qq.com>
Date: Fri, 6 Dec 2024 11:10:57 +0000
Subject: [PATCH 3/4] update
 mxVision/OpticalCharacterRecognition/src/data/config/setup.config.

Signed-off-by: anan505 <1204828624@qq.com>
---
 .../OpticalCharacterRecognition/src/data/config/setup.config    | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/mxVision/OpticalCharacterRecognition/src/data/config/setup.config b/mxVision/OpticalCharacterRecognition/src/data/config/setup.config
index b8a02e782..71edf5c3b 100644
--- a/mxVision/OpticalCharacterRecognition/src/data/config/setup.config
+++ b/mxVision/OpticalCharacterRecognition/src/data/config/setup.config
@@ -25,7 +25,7 @@ recMinWidth = 32
 recMaxWidth = 4096
 
 #rec model dictionary path
-dictPath = ./data/models/crnn/ppocr_keys_v1.txt
+dictPath = /path/to/ppocr_keys_v1.txt
 
 #switch of save infer resultHandOutProcess.cpp
 saveInferResult = true
-- 
Gitee


From 2d381d40a0f7eb29a74379309076e9f6f61957aa Mon Sep 17 00:00:00 2001
From: anan505 <1204828624@qq.com>
Date: Fri, 6 Dec 2024 19:14:13 +0800
Subject: [PATCH 4/4] xx

---
 contrib/EdgeDetectionPicture/README.md        |  20 +-
 contrib/ReID/README.md                        |  30 +-
 .../OpticalCharacterRecognition/README.md     | 436 ++++++------------
 .../ModuleProcessors/Utils/Utils.cpp          |   1 +
 .../src/CMakeLists.txt                        |   2 +-
 .../src/data/config/setup.config              |   2 +-
 tutorials/mxBaseSample/README.md              |   3 +
 7 files changed, 174 insertions(+), 320 deletions(-)

diff --git a/contrib/EdgeDetectionPicture/README.md b/contrib/EdgeDetectionPicture/README.md
index ee63cd5e6..750c625d6 100644
--- a/contrib/EdgeDetectionPicture/README.md
+++ b/contrib/EdgeDetectionPicture/README.md
@@ -10,7 +10,7 @@ Init > ReadImage >Resize > Inference >PostProcess >DeInit
 
 ### 1.2 支持的产品
 
-本项目支持昇腾Atlas 300I pro、 Atlas 300V pro。
+本项目支持昇腾Atlas 300I pro、 Atlas 300V pro
 
 ### 1.3 支持的版本
 本样例配套的MxVision版本、CANN版本、Driver/Firmware版本如下所示：
@@ -19,6 +19,8 @@ Init > ReadImage >Resize > Inference >PostProcess >DeInit
 | --------- | ------------------ | -------------- |
 | 6.0.RC3   | 8.0.RC3   |  24.1.RC3  |
 
+### 1.4 三方依赖
+无
 
 ### 1.5 代码目录结构说明
 本工程名称为EdgeDetectionPicture，工程目录如下图所示：
@@ -50,11 +52,11 @@ Init > ReadImage >Resize > Inference >PostProcess >DeInit
 ```
 ## 3 准备模型
 
-**步骤1：** 通过[下载地址](https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/mindxsdk-referenceapps%20/contrib/EdgeDetectionPicture/model.zip)下载RCF模型文件包。
+**步骤1** 通过[下载地址](https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/mindxsdk-referenceapps%20/contrib/EdgeDetectionPicture/model.zip)下载RCF模型文件包。
 
-**步骤2：** 将获取到的RCF模型文件内的`rcf.prototxt`文件和`rcf_bsds.caffemodel`文件放在`EdgeDetectionPicture/model/`下。
+**步骤2** 将获取到的RCF模型文件内的`rcf.prototxt`文件和`rcf_bsds.caffemodel`文件放在`EdgeDetectionPicture/model/`下。
 
-**步骤3：** 在`EdgeDetectionPicture/model/`下执行模型转换命令：
+**步骤3** 在`EdgeDetectionPicture/model/`下执行模型转换命令：
 ```bash
 atc --model=rcf.prototxt --weight=./rcf_bsds.caffemodel --framework=0 --output=rcf --soc_version=Ascend310P3 --insert_op_conf=./aipp.cfg  --input_format=NCHW --output_type=FP32
 ```
@@ -67,19 +69,19 @@ ATC run success, welcome to the next use.
 
 ## 4 编译与运行
 
-**步骤1：** 在`EdgeDetectionPicture/`下执行如下编译命令：
+**步骤1** 在`EdgeDetectionPicture/`下执行如下编译命令：
 ```bash
 bash build.sh
 ```
 
-**步骤2：** 进行图像边缘检测：
+**步骤2** 进行图像边缘检测
 
 1. 在`EdgeDetectionPicture/`下创建文件夹`data`。
-2. 请自行准备jpg格式的测试图像，保存在`data/`文件夹内（例如 `data/**.jpg`）。
+2. 请自行准备jpg格式的测试图像，保存在`data/`文件夹内(例如 `data/**.jpg`)
 3. 在`EdgeDetectionPicture/`下执行如下命令来进行边缘检测：
 ```bash
 ./edge_detection_picture ./data
 ```
-**步骤3：** 查看结果：
+**步骤3** 查看结果
 
-生成的边缘检测图像会以原测试图像名称保存在`EdgeDetectionPicture/result/`文件夹内（如`result/**.jpg`）。 
+生成的边缘检测图像会以原测试图像名称保存在`EdgeDetectionPicture/result/`文件夹内。 （如`result/**.jpg`）
diff --git a/contrib/ReID/README.md b/contrib/ReID/README.md
index 7d1817d82..82f89f87c 100644
--- a/contrib/ReID/README.md
+++ b/contrib/ReID/README.md
@@ -5,10 +5,10 @@
 本开发样例基于MindX SDK实现了端到端的行人重识别（Person Re-identification, ReID），支持检索给定照片中的行人ID。
 
 其主要流程为：    
-1. 程序入口分别接收查询图片和行人底库所在的文件路径。    
-2. 利用目标检测模型YOLOv3检测查询图片中的行人，检测结果经过抠图与调整大小，再利用ReID模型提取图片中每个行人的特征向量。    
-3. 将行人底库图片调整大小，利用ReID模型提取相应的特征向量。    
-4. 进行行人检索。 将查询图片中行人的特征向量与底库中的特征向量比对，为每个查询图片中的行人检索最有可能的ID，通过识别框和文字信息进行可视化标记。
+1. 首先，程序入口分别接收查询图片和行人底库所在的文件路径。    
+2. 其次，利用目标检测模型YOLOv3检测查询图片中的行人，检测结果经过抠图与调整大小，再利用ReID模型提取图片中每个行人的特征向量。    
+3. 之后，将行人底库图片调整大小，利用ReID模型提取相应的特征向量。    
+4. 最后进行行人检索。 将查询图片中行人的特征向量与底库中的特征向量比对，为每个查询图片中的行人检索最有可能的ID，通过识别框和文字信息进行可视化标记。
 
 参考链接：
 > 特定行人检索：[Person Search Demo](https://github.com/songwsx/person_search_demo)  
@@ -41,8 +41,10 @@
 ```
 ReID
 |---- data
-|   |---- gallerySet                    // 查询场景图片文件夹（需要用户自行创建）
-|   |---- querySet                      // 行人底库图片文件夹（需要用户自行创建）
+|   |---- gallerySet                    // 查询场景图片文件夹
+|   |---- querySet                      // 行人底库图片文件夹
+|   |---- ownDataset					// 行人底库原图形文件夹 
+|   |---- cropOwnDataset				// 行人底库结果文件夹 
 |---- models                            // 目标检测、ReID模型与配置文件夹
 |   |   |---- yolov3.cfg
 |   |   |---- coco.names
@@ -117,22 +119,20 @@ ATC run success, welcome to the next use.
 
 **步骤1：** 准备行人底库数据集。
 
-1. 在目录`ReID/data/`下创建文件夹`querySet`。
 
-2. 通过[链接](https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/mindxsdk-referenceapps%20/contrib/ReID/ReID%E7%9B%B8%E5%85%B3%E6%96%87%E4%BB%B6.rar)下载压缩包`ReID相关文件`。 在压缩包`ReID相关文件`中有`文件夹Market1501数据集`，该文件夹内有压缩文件`Market-1501-v15.09.15.zip`。
+通过[链接](https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/mindxsdk-referenceapps%20/contrib/ReID/ReID%E7%9B%B8%E5%85%B3%E6%96%87%E4%BB%B6.rar)下载压缩包`ReID相关文件`。 在压缩包`ReID相关文件`中有`文件夹Market1501数据集`，该文件夹内有压缩文件`Market-1501-v15.09.15.zip`。
 
 请解压`Market-1501-v15.09.15.zip`，在`Market-1501-v15.09.15\Market1501\gt_bbox`中选择想要查询的行人图片，将图片放在`ReID/data/querySet`中。
-- 推荐每次查询1人，使用2-6张图片作为底库，效果较好；  
-- 如需要查询多人，请保证待查询行人之间的着装风格差异较大，否则会较容易出现误报；
-- 该项目需要为每张图片提取行人ID，行人图片的命名格式为：'0001(行人ID)_c1(相机ID)s1(录像序列ID)_000151(视频帧ID)_00(检测框ID).jpg'。
+> 推荐每次查询1人，使用2-6张图片作为底库，效果较好；  
+> 如需要查询多人，请保证待查询行人之间的着装风格差异较大，否则会较容易出现误报；
+> 该项目需要为每张图片提取行人ID，行人图片的命名格式为： 
+> '0001(行人ID)_c1(相机ID)s1(录像序列ID)_000151(视频帧ID)_00(检测框ID).jpg'。
 
 **步骤2：** 准备场景图片数据集。
 
-1. 在目录`ReID/data/`下创建文件夹`gallerySet`。
-
-2. 在步骤1的压缩包`ReID相关文件`中有`场景图片`，该文件夹内有压缩文件`search_samples.rar`。
+在上一步骤的压缩包`ReID相关文件`中有`场景图片`，该文件夹内有压缩文件`search_samples.rar`。
 请解压`search_samples.rar`，然后将获取的图片放在`ReID/data/gallerySet`中。
-- gallerySet下的图片必须是1920*1080大小的jpg。
+> gallery下的图片必须是1920*1080大小的jpg。
 
 
 **步骤3：** 配置pipeline。
diff --git a/mxVision/OpticalCharacterRecognition/README.md b/mxVision/OpticalCharacterRecognition/README.md
index e8ec4b32a..76475bd61 100644
--- a/mxVision/OpticalCharacterRecognition/README.md
+++ b/mxVision/OpticalCharacterRecognition/README.md
@@ -1,34 +1,37 @@
-# OCR
+# 基于MxBase接口的OCR字符识别
 
-# 1 简介
+## 1 介绍
+### 1.1 简介
 
-## 1.1 背景介绍
 
-本参考设计的目的主要包括以下几个方面：
+开发样例是基于mxBase开发的OCR应用，实现识别输入图片中的文字功能。
 
-1.为金融、安防、互联网等客户提供基于Atlas做OCR的参考样例，验证可行性；
+### 1.2 支持的产品
 
-2.作为客户基于mxBase开发OCR应用的编程样例（下称Demo），开放源代码给客户参考，降低客户准入门槛；
+本项目支持昇腾Atlas 300I pro、 Atlas 300V pro。
 
-3.提供新架构下系统优化案例，打造超高性能原型系统，为客户提供选择Atlas的理由。
+### 1.3 支持的版本
+本样例配套的MxVision版本、CANN版本、Driver/Firmware版本如下所示：
 
-本Demo模型选择是面向直排文本，不考虑弯曲文本的情况，并选择JPEG作为输入图像格式，实现识别输入图片中的文字功能。本文档提供对OCR Demo实现方案的说明。
+| MxVision版本  | CANN版本  | Driver/Firmware版本  |
+| --------- |---------| -------------- |
+| 6.0.RC3   | 8.0.RC3 |  24.1.RC3  |
 
-## 1.2 支持的产品
+### 1.4 三方依赖
 
-本系统采用Atlas 300I Pro, Atlas 300V Pro作为实验验证的硬件平台。
+第三方依赖软件和版本如下表。请确认环境已安装pip3后，使用`pip3 install * `安装以下依赖：
 
-## 1.3 软件方案介绍
+|软件名称    | 版本        |
+|-----------|-----------|
+| numpy     | 1.24.0    |
+| paddle2onnx     | 1.2.4    |
+| paddlepaddle     | 2.6.0    |
+| tqdm | 4.66.5 |
+| shapely | 2.0.6 |
+| joblib | 1.4.2 |
 
-软件方案包含OCR的三个环节：文本检测，方向分类，字符识别。其中文本检测和字符识别是必要环节，方向分类为可选环节。
-
-本Demo支持基于Paddle PP-OCR server 2.0的DBNet(检测)和CRNN(识别)模型在310P芯片上进行静态分档推理以及CRNN(识别)模型在310P芯片上进行动态shape推理。为了提高CPU、NPU资源利用率，实现极致性能，Demo采用了流水并行及多路并行处理方案。
-
-### 代码主要目录介绍
-
-本Demo根目录下src为源码目录，现将src的子目录介绍如下：
-**注意**：代码目录中的src/AscendBase/Base/Framework/ModuleProcessors/TextDetectionPost/下的clipper.cpp、clipper.hpp为开源第三方模块，Demo中不包含这两个文件，需用户自行下载这两个文件，然后放在对应位置。
-clipper.cpp、clipper.hpp文件下载链接：https://udomain.dl.sourceforge.net/project/polyclipping/clipper_ver6.4.2.zip
+### 1.5 代码目录结构说明
+本工程名称为OpticalCharacterRecognition，工程目录如下图所示：
 
 ```
 .
@@ -82,303 +85,178 @@ clipper.cpp、clipper.hpp文件下载链接：https://udomain.dl.sourceforge.net
 │       │   ├── dbnet
 ├── README.md
 ```
+**注意**：代码目录中的`src/AscendBase/Base/Framework/ModuleProcessors/TextDetectionPost/`下的`lipper.cpp`、`clipper.hpp`为开源第三方模块，需用户自行下载这两个文件，然后放在对应位置。
 
-# 2 环境搭建
-
-### 2.1 软件依赖说明
+- clipper.cpp、clipper.hpp文件[下载链接](https://sourceforge.net/projects/polyclipping/files/clipper_ver6.4.2.zip/download)， 在文件夹`cpp`下可以找到。
 
-**表2-1** 软件依赖说明
+### 1.6 相关约束
 
-| 依赖软件          | 版本           | 依赖说明
-| -------------   |--------------| ---------------------|
-| CANN            | 7.0.RC1 | 提供基础acl/himpi接口 |
-| mxVision        | 5.0.RC3      | 提供基础mxBase的能力 |
+本样例是面向直排文本，不考虑弯曲文本的情况，仅支持JPEG作为输入图像格式。
 
 
-### 2.2 CANN环境变量设置
+## 2 设置环境变量
 
 ```bash
-. ${CANN_INSTALL_PATH}/ascend-toolkit/set_env.sh
-```
-
-### 2.3 mxVision环境变量设置
+#设置CANN环境变量
+. ${ascend-toolkit-path}/set_env.sh
 
-```bash
-. ${MX_SDK_HOME}/set_env.sh
+#设置MindX SDK 环境变量，SDK-path为mxVision SDK 安装路径
+. ${SDK-path}/set_env.sh
 ```
 
-# 3 模型转换及数据集获取
+## 3 准备模型
 
-## 3.1 Demo所用模型下载地址
+**步骤1：** 下载模型
 
-Paddle PP-OCR server 2.0模型:
+Paddle PP-OCR server 2.0模型（`.onnx`格式文件）:
 
 | 名称      | 下载链接 |
 | --------------- | -------------- |
-| Paddle PP-OCR server 2.0 DBNet   |  https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_server_v2.0_det_infer.tar|
-| Paddle PP-OCR server 2.0 Cls  | https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_mobile_v2.0_cls_infer.tar|
-| Paddle PP-OCR server 2.0 CRNN | https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_server_v2.0_rec_infer.tar|
-
-识别模型字典文件下载地址：
-https://raw.githubusercontent.com/PaddlePaddle/PaddleOCR/release/2.5/ppocr/utils/ppocr_keys_v1.txt
-
-
-## 3.2 Demo所用测试数据集下载地址
-数据集ICDAR-2019 LSVT下载地址：
-
-
-| 名称 | 下载链接 |
-|---------|----------|
-| 图片压缩包1 | https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_0.tar.gz|
-| 图片压缩包2 | https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_1.tar.gz|
-| 标注文件 | https://dataset-bj.cdn.bcebos.com/lsvt/train_full_labels.json|
+| Paddle PP-OCR server 2.0 DBNet   | [ch_ppocr_server_v2.0_det_infer.onnx](https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/mindxsdk-referenceapps%20/mxVision/OpticalCharacterRecognition/ch_ppocr_server_v2.0_det_infer.onnx) |
+| Paddle PP-OCR server 2.0 Cls  | [ch_ppocr_mobile_v2.0_cls_infer.onnx](https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/mindxsdk-referenceapps%20/mxVision/OpticalCharacterRecognition/ch_ppocr_mobile_v2.0_cls_infer.onnx) |
+| Paddle PP-OCR server 2.0 CRNN | [ch_ppocr_server_v2.0_rec_infer_argmax.onnx](https://mindx.sdk.obs.cn-north-4.myhuaweicloud.com/mindxsdk-referenceapps%20/mxVision/OpticalCharacterRecognition/ch_ppocr_server_v2.0_rec_infer_argmax.onnx) |
 
 
-图片压缩包名为 train_full_images_0.tar.gz 与 train_full_images_1.tar.gz
+**步骤2：** 放置模型文件
 
-标签文件名为 train_full_labels.json
+将下载的文件放置在路径`OpticalCharacterRecognition/src/data/models`下对应的文件夹内。
 
-### 3.2.1 数据集准备
+**步骤3：** 模型转换
 
-#### 3.2.1.1 数据集下载
-命令参考
-```
-wget https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_0.tar.gz
-wget https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_1.tar.gz
-wget https://dataset-bj.cdn.bcebos.com/lsvt/train_full_labels.json
+在三个模型目录下分别执行对应的atc转换脚本：
+```bash
+bash atc.sh
 ```
+执行完模型转换脚本后，若提示如下信息说明模型转换成功，并可以找到对应的`.om`模型文件。
 
-#### 3.2.1.2 数据集目录创建
-创建数据集目录
 ```
-mkdir -p ./icdar2019/images
-```
-#### 3.2.1.3 解压图片并移动到对应目录
-解压图片压缩包并移动图片到对应目录
-```
-tar -zvxf ./train_full_images_0.tar.gz
-tar -zvxf ./train_full_images_1.tar.gz
-mv train_full_images_0/* ./icdar2019/images
-mv train_full_images_1/* ./icdar2019/images
-rm -r train_full_images_0
-rm -r train_full_images_1
-```
-#### 3.2.1.4 标签格式转换
-label文件格式转换为ICDAR2015格式, 转换脚本位于src/Common/LabelTrans/label_trans.py
-
-运行标签格式转换脚本工具需要依赖的三方库如下所示：
-**表3-1** label_trans.py依赖python三方库
-
-| 名称 | 版本 |
-| --- | --- |
-| numpy | =1.22.4 |
-| tqdm | =4.64.0 |
+ATC run success, welcome to the next use.
+```  
 
+**步骤4：** CRNN模型文件放置
 
-格式转换脚本参考如下:
-```
-python3 ./label_trans.py --label_json_path=/xx/xx/train_full_labels.json --output_path=/xx/xx/icdar2019/
+在`OpticalCharacterRecognition/src/data/models/crnn`下应该可以看到5个`.om`模型文件，在该目录下执行以下命令将`.om`模型文件都移动到新建目录`OpticalCharacterRecognition/src/data/models/crnn/static`目录下：
+```bash
+mkdir static
+mv crnn_dynamic_dims_16_bs1.om ./static
+mv crnn_dynamic_dims_16_bs4.om ./static
+mv crnn_dynamic_dims_16_bs8.om ./static
+mv crnn_dynamic_dims_16_bs16.om ./static
+mv crnn_dynamic_dims_16_bs32.om ./static
 ```
 
-## 3.3 pdmodel模型转换为onnx模型
-- **步骤 1**   将下载好的paddle模型转换成onnx模型。
-  执行以下命令安装转换工具paddle2onnx
+## 4 编译与运行
 
-  ```
-   pip3 install paddle2onnx==0.9.5
-  ```
-  运行paddle2onnx工具需要依赖的三方库如下所示：
-
-**表3-2** paddle2onnx依赖python三方库
+**步骤1：** 准备数据集
 
-| 名称 | 版本 |
-| --- | --- |
-| paddlepaddle | 2.3.0 |
-
-PP-OCR server 2.0 DBNet模型转成onnx模型指令参考如下：
-```
-paddle2onnx --model_dir ./ch_ppocr_server_v2.0_det_infer/ --model_filename inference.pdmodel --params_filename inference.pdiparams --save_file ./ch_ppocr_server_v2.0_det_infer.onnx --opset_version 11 --enable_onnx_checker True --input_shape_dict="{'x':[-1,3,-1,-1]}"
-```
+1. 准备识别模型字典文件:
 
-PP-OCR server 2.0 CRNN模型转成onnx模型指令参考如下：
-```
-paddle2onnx --model_dir ./ch_ppocr_server_v2.0_rec_infer/ --model_filename inference.pdmodel --params_filename inference.pdiparams --save_file ./ch_ppocr_server_v2.0_rec_infer.onnx --opset_version 11 --enable_onnx_checker True --input_shape_dict="{'x':[-1,3,32,-1]}"
-```
+- 可通过[下载地址](https://raw.githubusercontent.com/PaddlePaddle/PaddleOCR/release/2.5/ppocr/utils/ppocr_keys_v1.txt)直接下载文件；
 
-PP-OCR server 2.0 Cls模型转成onnx模型指令参考如下：
-```
-paddle2onnx --model_dir ./ch_ppocr_mobile_v2.0_cls_infer --model_filename inference.pdmodel --params_filename inference.pdiparams --save_file ./ch_ppocr_mobile_v2.0_cls_infer.onnx --opset_version 11 --enable_onnx_checker True
+- 或者通过以下指令下载：
+```bash
+wget -O ppocr_keys_v1.txt https://raw.githubusercontent.com/PaddlePaddle/PaddleOCR/release/2.5/ppocr/utils/ppocr_keys_v1.txt
 ```
 
-## 3.4 识别模型插入ArgMax算子
-- **步骤 2** 使用算子插入工具insert_argmax给字符识别模型（CRNN）插入argmax算子。
 
-转到src/Common/InsertArgmax目录下，执行脚本，此处需要传入两个参数：'model_path',对应ch_ppocr_server_v2.0_rec_infer.onnx模型所在路径；'check_output_onnx'，为是否需要针对输出模型做校验，默认值为True，可选choices=[True, False]
-
-使用算子插入工具insert_argmax插入argmax算子指令参考:
-  ```
-   python3 insert_argmax.py --model_path /xx/xx/ch_ppocr_server_v2.0_rec_infer.onnx --check_output_onnx True
-  ```
-**表3-3** 使用自动算子插入工具插入argmax算子。
 
-|参数名称 | 参数含义 | 默认值 | 可选值 |
-| --- | --- | --- | --- |
-| model_path | 对应ch_ppocr_server_v2.0_rec_infer.onnx模型所在路径 |''|''|
-| check_output_onnx | 是否需要针对输出模型做校验 | True|True,False|
+2. 准备数据集ICDAR-2019 LSVT：
 
-转换出来的结果位于'model_path'路径下，命名为'ch_ppocr_server_v2.0_rec_infer_argmax.onnx'的onnx模型文件。
+- 可通过下方表格的下载链接直接下载；
 
-**表3-4** insert_argmax.py脚本依赖python三方库
-
-| 名称 | 版本 |
-| --- | --- |
-| onnx | >=1.9.0 |
-| onnxruntime | >=1.13.1 |
-
-## 3.5 模型转换
+| 名称 | 下载链接 |
+|---------|----------|
+| 图片压缩包1 | (train_full_images_0.tar.gz)[https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_0.tar.gz]|
+| 图片压缩包2 | (train_full_images_1.tar.gz)[https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_1.tar.gz]|
+| 标注文件 | (train_full_labels.json)[https://dataset-bj.cdn.bcebos.com/lsvt/train_full_labels.json]|
 
-****进行模型转换前需设置CANN环境变量**** 默认的路径为
-```
-. /usr/local/Ascend/ascend-toolkit/set_env.sh
+- 或通过指令下载：
+```bash
+wget https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_0.tar.gz
+wget https://dataset-bj.cdn.bcebos.com/lsvt/train_full_images_1.tar.gz
+wget https://dataset-bj.cdn.bcebos.com/lsvt/train_full_labels.json
 ```
-请以实际安装路径为准。
 
-### 3.5.1 文本检测模型转换
-将文本检测onnx模型转换成om模型，转换指令参考src/data/models/dbnet目录下面的对应的atc转换脚本（ONNX模型路径以实际为准）：
-```
-bash atc.sh
-```
+**步骤2：** 解压并放置数据集
 
-### 3.5.2 字符识别模型转换
-字符识别支持静态分档模型和动态shape模型两种场景，可通过配置文件setup.config任选其一，详细说明见章节4.2。
-#### 3.5.2.1 静态分档模型
-在静态分档模型场景下，将字符识别onnx模型转换成om模型，转换指令参考src/data/models/crnn目录下面的对应的atc转换脚本atc.sh（ONNX模型路径以实际为准）：
-```
-bash atc.sh
-```
-可在该目录下新建static目录，将转换生成的模型可统一放置static目录内，用于配置文件recModelPath字段的配置。
-#### 3.5.2.2 动态shape模型
-在动态Shape模型场景下，字符识别onnx模型转换成om模型，转换指令参考src/data/models/crnn目录下面的对应的atc转换脚本atc_dynamic.sh（ONNX模型路径以实际为准）：
-```
-bash atc_dynamic.sh
-```
-### 3.5.3 分类模型转换
-将onnx模型转换成om模型。转换指令参考src/demo/data/models/cls目录下面的对应的atc转换脚本（ONNX模型路径以实际为准）：
+1. 通过以下指令在当前位置创建数据集目录：
+```bash
+mkdir -p ./icdar2019/images
 ```
-bash atc.sh
+2. 在当前目录下解压图片并移动到对应目录：
+```bash
+tar -zvxf ./train_full_images_0.tar.gz  # 确认当前目录下有对应数据包
+tar -zvxf ./train_full_images_1.tar.gz
+mv train_full_images_0/* ./icdar2019/images
+mv train_full_images_1/* ./icdar2019/images
+rm -r train_full_images_0
+rm -r train_full_images_1
 ```
 
-# 4 编译运行
-
-## 4.1 系统方案各子模块功能介绍
-**表4-1** 系统方案各子模块功能：
+**步骤3：** 标签格式转换
 
-| 序号 | 子系统 | 功能描述 |
-| --- | --- | --- |
-| 1 | 图片分发模块 | 从用户指定的文件夹读取图片，并分发给后续的模块。 |
-| 2 | DBNet模型前处理 | 主要负责解码和缩放，在310P芯片上使用dvpp解码。 |
-| 3 | DBNet模型推理 | 本模块负责将前处理好的图片输入进检测模型并获得模型推理出的Tensor。 |
-| 4 | DBNet模型后处理 | 本模块主要负责将输出的Tensor根据与训练一致的后处理流程将输入图片切割为包含文本的子图。 |
-| 5 | Cls模型前处理 | 对dbnet后处理之后切割的子图做resize和归一化操作以及分类模型推理时的batch划分 |
-| 6 | Cls模型推理 | 本模块负责将前处理好的图片输入进分类模型并获得模型推理出的Tensor。 |
-| 7 | Cls模型后处理 | 将模型输出的Tensor根据与训练一致的后处理流程将需要翻转的子图翻转180度。|
-| 8 | Crnn模型前处理 | 对dbnet后处理之后切割的子图做resize和归一化操作以及识别模型推理时的batch划分 |
-| 9 | Crnn模型推理 | 本模块负责将前处理好的图片输入进识别模型并获得模型推理出的Tensor。支持动态shape和静态分档的推理。 |
-| 10 | Crnn模型后处理 | 将模型输出的Tensor根据字典转换为文字识别的结果。 |
-| 11 | 推理结果保存模块 | 保存推理结果，并在推理结束时发送停止信号。 |
+label标注文件格式转换为ICDAR2015格式, 执行的转换脚本为`OpticalCharacterRecognition/src/Common/LabelTrans/label_trans.py`。
 
-## 4.2 配置
+执行命令：
+```bash
+python3 ./label_trans.py --label_json_path=/xx/xx/train_full_labels.json --output_path=/xx/xx/icdar2019/
+```
 
-运行前需要在 `/src/data/config/setup.config` 配置以下信息
+**步骤4：** 修改配置文件
 
-配置程序运行的deviceId，deviceType及模型路径等信息
-**注意**：如果输入图片中包含敏感信息，使用完后请按照当地法律法规要求自行处理，防止信息泄露。
-配置device
+ 修改配置文件`OpticalCharacterRecognition/src/data/config/setup.config`：
+ 1. 第5行修改推理使用的device的ID：
   ```bash
   deviceId = 0 // 进行推理的device的id
-  deviceType = 310P //310P
   ```
-
-配置模型路径
+2. 第28行配置文本识别模型字符标签文件:
   ```bash
-  detModelPath = ./data/models/dbnet/dbnet_dy_dynamic_shape.om // DbNet模型路径
-  recModelPath = ./data/models/crnn/static // CRNN模型路径，静态分档时仅需输入包含识别模型的文件夹的路径即可，动态shape时需要输入模型的路径
-  clsModelPath = ./data/models/cls/cls_310P.om // CLS模型路径
+  dictPath = dictPath = /path/to/ppocr_keys_v1.txt // 识别模型字典文件
   ```
 
-配置文本识别模型输入要求的高、宽的步长
- ```bash
- staticRecModelMode = true      // true时采用静态分档，false时采用动态shape
- recHeight = 32      // 识别模型输入要求的高，需和crnn转om模型的参数对应   [仅需在使用动态shape模型时配置]
- recMinWidth = 32      // 识别模型输入宽的最小值，需和crnn转om模型的参数对应   [仅需在使用动态shape模型时配置]
- recMaxWidth = 4096     // 识别模型输入宽的最大值，需和crnn转om模型的参数对应   [仅需在使用动态shape模型时配置]
- ```
+**步骤5：** 编译项目
 
-配置文本识别模型字符标签文件
+在目录`OpticalCharacterRecognition/src/`下执行：
   ```bash
-  dictPath = ./data/models/crnn/ppocr_keys_v1.txt // 识别模型字典文件
+  bash build.sh
   ```
+编译完成后，在`OpticalCharacterRecognition/src/dist/`目录下会生成可执行文件`main`。
 
-配置识别文字的输出结果路径
-  ```bash
-  saveInferResult = false // 是否保存推理结果到文件，默认不保存，如果需要，该值设置为true，并配置推理结果保存路径
-  resultPath = ./result // 推理结果保存路径
-  ```
-**注意**：推理结果写文件是追加写的，如果推理结果保存路径中已经存在推理结果文件，推理前请手动删除推理结果文件，如果有需要，提前做好备份。
-
-## 4.3 编译
-
-- **步骤 1** 登录服务器操作后台，安装CANN及mxVision并设置环境变量。
+**步骤6：** 准备输入图片
 
-- **步骤 2** 将mxOCR压缩包下载至任意目录，如“/home/HwHiAiUser/mxOCR”，解压。
+需要使用的输入图片必须为JPEG格式，图片名格式为前缀+下划线+数字的形式，如`xxx_xx.jpg`。
+将需要输入的图片放在目录`/xx/xx/icdar2019/images/`下。
 
-- **步骤 3** 执行如下命令，构建代码。
-
-  ```
-   cd /home/HwHiAiUser/mxOCR/OpticalCharacterRecognition/src/;
-   bash build.sh
-  ```
 
-  *提示：编译完成后会生成可执行文件“main”，存放在“/home/HwHiAiUser/mxOCR/OpticalCharacterRecognition/src/dist/”目录下。*
+**步骤7：** 运行程序
 
-  ## 4.4 运行
-  **注意 C++ Demo 运行时日志打印调用的是mxVision里面的日志模块，mxVision默认打印日志级别为error，如果需要查看info日志，请将配置文件logging.conf中的console_level值设为0。**
-  logging.conf文件路径：mxVison安装目录/mxVision/config/logging.conf
+执行如下命令，启动程序：
 
-  ### 输入图像约束
-
-  仅支持JPEG格式，图片名格式为前缀+下划线+数字的形式，如xxx_xx.jpg。
-
-  ### 运行程序
-  **注意 在模型的档位较多，或者设置并发数过大的情况下，有可能会导致超出device内存。请关注报错信息。**
-
-  执行如下命令，启动程序。
-
-    ```
-    ./dist/main -image_path /xx/xx/icdar2019/images/ -thread_num 1 -direction_classification false -config ./data/config/setup.config
-    ```
+```bash
+./dist/main -image_path /xx/xx/icdar2019/images/ -thread_num 1 -direction_classification false -config ./data/config/setup.config
+```
+运行可使用的参数说明：
 
-    根据屏幕日志确认是否执行成功。
+| 选项 | 意义 | 
+| --- | --- | 
+| -image_path | 输入图片所在的文件夹路径。 |
+| -thread_num | 运行程序的线程数，取值范围1-4，请根据环境内存设置合适值。 | 
+| -direction_classification | 是否在检测模型之后使用方向分类模型。 | 
+| -config | 配置文件setup.config的完整路径。 | 
 
-    识别结果默认存放在“/home/HwHiAiUser/mxOCR/OpticalCharacterRecognition/src/result”目录下。
+**步骤8：** 查看结果
 
-*提示：输入./dist/main -h可查看该命令所有信息。运行可使用的参数如表4-2 运行可使用的参数说明所示。*
+- 结果位置：
 
-**表4-2** 运行可使用的参数说明
+根据屏幕日志确认是否执行成功。
 
-| 选项 | 意义 | 默认值 |
-| --- | --- | --- |
-| -image_path | 输入图片所在的文件夹路径 | ./data/imagePath |
-| -thread_num | 运行程序的线程数，取值范围1-4，请根据环境内存设置合适值。 | 1 |
-| -direction_classification | 是否在检测模型之后使用方向分类模型。 | false |
-| -config | 配置文件setup.config的完整路径。 | ./data/config/setup.config |
+识别结果默认存放在`OpticalCharacterRecognition/src/result`目录下。
 
-*提示：image_path路径下包含的图片会根据thread_num数目进行数据集分割，分割结果存放在/**/**/OpticalCharacterRecognition/src/data/config目录下。*
+**注意**：推理结果写文件是追加写的，如果推理结果保存路径中已经存在推理结果文件，推理前请手动删除推理结果文件，如果有需要，提前做好备份。
 
-### 结果展示
+- 结果内容：
 
-OCR识别结果保存在配置文件中指定路径的infer_img_x.txt中（x 为图片id）
-每个infer_img_x.txt中保存了每个图片文本框四个顶点的坐标位置以及文本内容，格式如下:
+每个infer_img_x.txt（x 为图片id）中保存了每个图片文本框四个顶点的坐标位置以及文本内容，格式如下:
   ```bash
   1183,1826,1711,1837,1710,1887,1181,1876,签发机关/Authority
   2214,1608,2821,1625,2820,1676,2212,1659,有效期至/Dateofexpin
@@ -388,62 +266,32 @@ OCR识别结果保存在配置文件中指定路径的infer_img_x.txt中（x 为
   ```
 **注意**：如果输入图片中包含敏感信息，使用完后请按照当地法律法规要求自行处理，防止信息泄露。
 
-# 4.5 动态库依赖说明
-
-Demo动态库依赖可参见代码中“src”目录的“CMakeLists.txt”文件中“target_link_libraries”参数处。
-
-**表4-3** 动态库依赖说明
-
-| 依赖软件 | 说明 | 
-| --- | --- |
-| libascendcl.so | ACL框架接口，具体介绍可参见ACL接口文档。 |
-| libacl_dvpp.so | ACL框架接口，具体介绍可参见ACL接口文档。 |
-| libpthread.so | C++的线程库。 |
-| libglog.so | C++的日志库。 |
-| libopencv_world.so | OpenCV的基本组件，用于图像的基本处理。|
-| libmxbase.so | 基础SDK的基本组件，用于模型推理及内存拷贝等。|
 
-# 5 精度测试脚本使用
+# 5 精度验证
 
-## 5.1 依赖python三方库安装
+**步骤1：** 准备验证数据集
 
-精度测试脚本运行依赖的三方库如表5-1所示
+执行完“4 编译与运行”的“步骤2”后的`icdar2019/images`为测试所用的所有输入图片。
 
-**表5-1** 依赖python三方库
+**步骤2：** 生成运行结果
 
-| 名称 | 版本 |
-| --- | --- |
-| shapely | >=1.8.2 |
-| numpy | >=1.22.4 |
-| joblib | >=1.1.0 |
-| tqdm | >4.64.0 |
-
-安装命令
-  ```
-  pip3 install + 包名
-  ```
+按照上述的“4 编译与运行”完成所有输入图片的结果生成。
 
-## 5.2 运行
+**步骤3：** 进行精度计算
 
-### 运行程序
-
-- **步骤 1** 将mxOCR压缩包下载至任意目录，如“/home/HwHiAiUser/mxOCR”，解压。
-- **步骤 2** 运行ocr Demo生成推理结果文件。
-- **步骤 3** 执行如下命令，启动精度测试脚本，命令中各个参数请根据实际情况指定。
-
-  ```
-  cd /home/HwHiAiUser/mxOCR/OpticalCharacterRecognition/src/Common/EvalScript;
-  python3 eval_script.py --gt_path=/xx/xx/icdar2019/labels --pred_path=/xx/xx/result
-  ```
+在目录`OpticalCharacterRecognition/src/Common/EvalScript`下执行：
+```bash
+python3 eval_script.py --gt_path=/xx/xx/icdar2019/labels --pred_path=/xx/xx/result
+```
+运行可使用的参数说明：
 
-  根据屏幕日志确认是否执行成功。
+| 选项 | 意义 | 
+| --- | --- | 
+| --gt_path | 测试数据集标注文件路径。 | 
+| --pred_path | Ocr Demo运行的推理结果存放路径。 |
+| --parallel_num | 并行数。 |
 
-*运行可使用的参数如表5-2 运行可使用的参数说明所示。*
+**步骤4：** 查看精度结果
 
-**表5-2** 运行可使用的参数说明
+根据屏幕回显日志获取精度结果。
 
-| 选项 | 意义 | 默认值 |
-| --- | --- | --- |
-| --gt_path | 测试数据集标注文件路径。 | "" |
-| --pred_path | Ocr Demo运行的推理结果存放路径。 | "" |
-| --parallel_num | 并行数。 | 32 |
\ No newline at end of file
diff --git a/mxVision/OpticalCharacterRecognition/src/AscendBase/Base/Framework/ModuleProcessors/Utils/Utils.cpp b/mxVision/OpticalCharacterRecognition/src/AscendBase/Base/Framework/ModuleProcessors/Utils/Utils.cpp
index 58cdcb18b..b8dd0d899 100644
--- a/mxVision/OpticalCharacterRecognition/src/AscendBase/Base/Framework/ModuleProcessors/Utils/Utils.cpp
+++ b/mxVision/OpticalCharacterRecognition/src/AscendBase/Base/Framework/ModuleProcessors/Utils/Utils.cpp
@@ -7,6 +7,7 @@
 */
 
 #include "Utils.h"
+#include "MxBase/Log/Log.h"
 
 uint32_t Utils::ImageChanSizeF32(uint32_t width, uint32_t height)
 {
diff --git a/mxVision/OpticalCharacterRecognition/src/CMakeLists.txt b/mxVision/OpticalCharacterRecognition/src/CMakeLists.txt
index d82ece48e..a757853c9 100644
--- a/mxVision/OpticalCharacterRecognition/src/CMakeLists.txt
+++ b/mxVision/OpticalCharacterRecognition/src/CMakeLists.txt
@@ -9,7 +9,7 @@ set(PROJECT_SRC_ROOT ${CMAKE_CURRENT_LIST_DIR})
 set(CMAKE_MODULE_PATH ${PROJECT_SRC_ROOT}/CMake)
 set(CMAKE_SKIP_BUILD_RPATH True)
 set(CMAKE_RUNTIME_OUTPUT_DIRECTORY ${PROJECT_SRC_ROOT}/dist)
-add_compile_options(-std=c++11 -fPIE -fstack-protector-all -Wall)
+add_compile_options(-std=c++14 -fPIE -fstack-protector-all -Wall)
 add_definitions(-DENABLE_DVPP_INTERFACE)
 
 set(AscendBaseFolder ${PROJECT_SRC_ROOT}/AscendBase/Base)
diff --git a/mxVision/OpticalCharacterRecognition/src/data/config/setup.config b/mxVision/OpticalCharacterRecognition/src/data/config/setup.config
index b8a02e782..71edf5c3b 100644
--- a/mxVision/OpticalCharacterRecognition/src/data/config/setup.config
+++ b/mxVision/OpticalCharacterRecognition/src/data/config/setup.config
@@ -25,7 +25,7 @@ recMinWidth = 32
 recMaxWidth = 4096
 
 #rec model dictionary path
-dictPath = ./data/models/crnn/ppocr_keys_v1.txt
+dictPath = /path/to/ppocr_keys_v1.txt
 
 #switch of save infer resultHandOutProcess.cpp
 saveInferResult = true
diff --git a/tutorials/mxBaseSample/README.md b/tutorials/mxBaseSample/README.md
index f7a160392..ae90ca746 100644
--- a/tutorials/mxBaseSample/README.md
+++ b/tutorials/mxBaseSample/README.md
@@ -75,4 +75,7 @@ bash build.sh
 **步骤3：** 查看结果
 
 结果以`result.jpg`的形式保存在`mxBaseSample/`目录下。
+<<<<<<< HEAD
 
+=======
+>>>>>>> e6e5ac97 (xx)
-- 
Gitee