这门课解决什么问题

很多做后端或算法落地的同学都遇到过同一个卡点：在 Python 里用 PyTorch 跑通的文本识别模型，一旦要塞进 C++ 工程里做实际部署，就会卡在环境配置、模型格式转换和接口调用上。这门课正是冲着这个落地断层来的。它不教怎么从零造 OCR 轮子，而是聚焦在一条具体链路：先用 Python 加 PyTorch 训练文本识别模型，再把模型导出为 ONNX 格式，最后用 C++ 结合 Libtorch 或 ONNX Runtime 跑起来。如果你平时的工作场景是做票据识别、卡证抽取、流水线文本提取，并且最终交付物要跑在 C++ 客户端或服务端上，这门课的内容直接对口。

适合什么基础与学习顺序

这门课不适合纯零基础。它默认你写过 Python，能看懂基本的 C++ 语法，对神经网络的概念有大致了解。如果你连变量和循环都生疏，建议先补基础再来。资料里的内容编排很务实，大部分篇幅在解决环境搭建和工程串联。建议先把开发环境准备那一块仔细过一遍，尤其是 CUDA、cuDNN、PyTorch 以及 C++ 的 ONNX 环境搭建。这部分看着枯燥，但往往是新手最容易放弃的地方，跟着视频把环境跑通，后续的模型训练和转换才能顺理成章。环境配好后，再进入 PyTorch 模型训练环节，最后看 C++ 调用部分。

学完能做什么与资料怎么用

学完之后，你应该能独立完成一个文本识别模型从训练到 C++ 部署的闭环：能搭建 Python 与 C++ 双端环境，能训练并导出 ONNX 模型，能在 C++ 工程里加载模型并跑通推理。资料包里的视频建议边看边操作，不要只看不练。环境搭建部分很容易因为系统差异报错，遇到问题可以反复对照视频里的排错讲解。模型训练部分，建议先用课程提供的数据跑通流程，再尝试替换成自己的业务数据。到了 C++ 调用环节，重点看模型加载和输入输出张量处理，把 Python 里的预处理逻辑用 C++ 复现一遍。整门课的核心价值在于打通工程链路，只要能把课程里的模型在本地 C++ 环境跑出结果，就算掌握了精髓。


掌握深度学习文本识别Pytorch模型的训练以及C++调用模型的基本方法

课程目录

*   01 开发环境准备/

  *   01 深度学习OCR之文本识别综合实战课程简介.mp4 08:11

  *   02 python39的安装与配置.mp4 03:54

  *   03 cuda和cudnn的安装与配置.mp4 11:38

  *   04 pytorch的安装与配置.mp4 06:52

  *   05 编程软件vs2017介绍.mp4 12:36

  *   06 C++的onnx环境搭建.mp4 04:56

  *   07 pytorch_win10_离线安装.mp4 03:28

  *   08 opencv-python的安装.mp4 02:43

  *   09 pycharm的安装.mp4 03:30

  *   10 python第三方包的离线下载方法讲解.mp4 01:21

  *   11 pytorch_ocr环境搭建遇到的问题.mp4 04:12

*   02 360cc中文数据集的训练/

  *   01 数据集准备.mp4 04:18

  *   02 数据增强的方法.mp4 03:17

  *   03 字符标签转换_图像resize操作与图像检查.mp4 06:13

*   03 自定义中文数据集的训练/

  *   01 自定义中文数据集文本的生成.mp4 10:19

  *   02 图像数据增强的方法.mp4 03:12

  *   03 字符标签转换_图像resize操作与图像错误检查.mp4 08:36

  *   04 多文件夹数据集合并训练.mp4 07:20

*   04 小字符集文本识别模型训练/

  *   01 数字卡号识别模型的训练.mp4 10:32

  *   02 银行卡卡号识别模型训练.mp4 09:44

  *   03 身份证号码识别模型的训练.mp4 05:58

  *   04 大写金额识别模型的训练.mp4 12:20

*   05 C++调用Libtorch/ONNX模型测试/

  *   01 Libtorch_cpp的CRNN识别模型测试.mp4 06:43

  *   02 ONNX_cpp的CRNN识别模型测试.mp4 09:48