PaddleOCR 是目前最好的开源OCR框架, 但paddle框架的兼容性实在不怎么好, 部署的时候容易出现各种各样的问题. 如果能把PaddleOCR转成ONNX, 就可以跳过paddle框架坑的同时, 又可以白嫖PaddleOCR的强大检测性能.

本文会介绍一下, 如何把最新的PP_OCRv4模型转成onxx格式, 并正确运行.




步骤1: PaddleOCR模型转ONNX

1. 原始网络权重下载
在PaddleOCR的项目主页 https://github.com/PaddlePaddle/PaddleOCR 下载最新的v4版检测与识别模型.


![image.png](/static/img/202af52758d75d9df309fe204d372c9e.image.webp)

2. 模型权重转ONNX
用pip安装PaddlePaddle到ONNX的模型转换工具: https://github.com/PaddlePaddle/Paddle2ONNX.
参照如下命令转换paddle格式模型到ONNX格式.


```js
paddle2onnx --model_dir /mnt/d/Downloads/202406/paddelocr/pp/ch_PP-OCRv4_det_infer/ --model_filename inference.pdmodel --params_filename inference.pdiparams --opset_version 11 --save_file /mnt/d/Downloads/202406/paddelocr/onnx/ch_PP-OCRv4_det_infer.onnx

paddle2onnx --model_dir /mnt/d/Downloads/202406/paddelocr/pp/ch_PP-OCRv4_rec_infer/ --model_filename inference.pdmodel --params_filename inference.pdiparams --opset_version 11 --save_file /mnt/d/Downloads/202406/paddelocr/onnx/ch_PP-OCRv4_rec_infer.onnx
```

步骤2: ONNX推理运行

转换格式成功后得到的ONNX模型可以进行推理。若要用于识别任务，还需补充输入图片的预处理和检测结果的输出等外围数据处理步骤。

https://github.com/jingsongliujing/OnnxOCR

该项目基于转换后的ppocr_server_v2.0模型，已经完成了文本识别所需的外围数据处理部分。

经过测试，pp_ocr系列模型的预处理和后处理部分是通用的。只需在此代码基础上集成转换好的ONNX模型即可。

https://github.com/CKboss/pp_onnx

这是基于原项目fork后的修改版，支持运行PP_OCRv4，并能调用v4版本的det和rec OCR模型。旋转检测部分的cls模型保持不变，仍使用server_v2.0版本。此外，还修改了可能导致引用冲突的包名和部分模型输入参数。

 

注:

转换为ONNX格式后的模型精度损失情况尚不明确，但从简单的demo来看，模型能够正常进行推理。

将PaddleOCR 转为 ONNX 运行

问题
目前github中代码提交只能通过ssh方式.
每个github账号只能添加一个专用的ssh-key. 如果同时有多个Github账号在用的话就必须给每个账号绑定不同的ssh-key.





方法一:

在提交代码时, 需要运行如下代码, 手工指定一个key


```
eval `ssh-agent -s`
ssh-add ~/.ssh/id_github_XXXXX
```

方法二:

在`.ssh/config`中预定义好 sshkey 的对应关系

添加如下内容:
```
Host git_account1
    HostName github.com
    Identityfile ~/.ssh/id_github_account1
```

在gitclone时, 把原有的地址 git@github.com:account1/xxx.git 换成 git@git_acount1:account1/xxx.git 即可.

多Github账号指定ssh-key提交代码

# QYLD


![image.png](/static/img/1225aba2b83ab1319a225f4fe78442d2.image.webp)

QYLD是一个高分红股票，平均年化股息率为10%以上。它的主要投资策略是对Nasdaq 100做Cover Call并收取利差。
Nasdaq 100是一个非常好的投资标的，平均年化在10%以上，Cover Call策略在股价温和上涨时表现相对比较稳健，那这样的投资组合是可以长期持有的吗？





# 结论：
QYLD的高分红中有相当比率是投资者的本金，这会使资金利用率降低，最终跑输大盘。
在抽取每月股息的情况下，QYLD也可以获利但其平均年化收益率不高只有4%。在每月股息循环投入的情况下，QYLD年化收益约6%。
以上计算没有考率美股分红的30%扣税，如果加上扣税年化收益率更低。
QYLD大辐跑输Nasdaq 100，不值得长期投资。

# 分析：
以下是一些分析细节，让大家对QYLD的收益有一个感性的认知。

我们先看一下QYLD的非除权的股价，从2013年末发行开始，股价从25元跌到了17元左右。
QYLD的分红太多了，本金从你的口袋经QYLD转了一圈再被扣税后又回到了你自已的手里，仅仅只是为了维持高分红率，股价本身并没有随着Nasdaq 100增涨。

![image.png](/static/img/1f730e8f25cf1b275420992cd1a21bd9.image.webp)


考虑到这是一支高分红股票，再来看一下QYLD的前复权股价：
10年时间（2014～2023）股价从8.7元涨到17元左右，涨辐2倍多一点点，平均年化4%

![image.png](/static/img/e2b355c8f4a014c75f2f1c63a192efaf.image.webp)

举个例子，如果你在QYLD刚刚创立时买入了100万，十年后的2024年，你股息+股票合在一起有162万。

![image.png](/static/img/a22ae2e5fe37e848f6b21296d55eab66.image.webp)

如果你不急用这笔钱，把所有分红都再循环进行投资呢？
假设，你在QYLD刚刚创立时买入了100万，十年后的2024年，你的股票价格会是202万，年化6%左右，收益率也一般。

![image.png](/static/img/7e0836653639b3ac8f1ebed4c7e80f21.image.webp)

# 总结：

综上，QYLD只适合需每月保持稳定的现金流时进行选择，因近些年美股走势很好，投入到QYLD的资产在分红后还能小辐增涨。但其从本金中进行高额的分红的行为会使资金利用率很差，长期投资会大辐落后于大盘，所以不适合长期投资。

其它高分红股票与基金，如：安联收益与增涨，JEPI，JEPQ，XYLD等用本金维持高分红高股息的策略都会存在类似的问题，并不适合做长期投资。

高股息陷阱，高分红股票可以长期投资吗？

# 如何用matlab求隐式函数的导数





# 隐函数求导的例子

假设有一个圆 $x^2+y^2=5$ , 要求在某个点上的切线的斜率.

我们可以把式$x^2+y^2=5$中的每一项对$x$求导, 可以得到:

$$  \frac{d(x^2)}{dx} + \frac{d(y^2)}{dy}\frac{dy}{dx} = \frac{d(5)}{dx} $$

$$  2x+2y\frac{dy}{dx} = 0  $$

再将 $\frac{dy}{dx}$ 看成一个变量, 可以对式$(2)$求解得到: $ \frac{dy}{dx}= - \frac{x}{y}$ , 这就一阶导, 也是圆上每一个点上切线的斜率.

对式$(2)$再次求导:

$$  \frac{d}{dx}(2x) + \frac{d}{dx}(2y \frac{dy}{dx} ) = 0  $$

求$\frac{d}{dx}(2y \frac{dy}{dx} )$ 这一项要用乘法法则, 注意$(\frac{dx}{dy})^2$和$\frac{d^2y}{dx^2}$是不同的.

$$  2 + 2 \times ( \frac{dx}{dy} )^2 + \frac{d^2y}{dx^2} = 0 $$

将$ \frac{dy}{dx}= - \frac{x}{y}$ 代入式$(4)$ , 将 $\frac{d^2y}{dx^2}$ 看做变量可以求解得到: $ \frac{d^2y}{dx^2} = - \frac{y^2+x^2}{y^3}$ 这个就是二阶导.


# 如何用matlab求隐式函数的一阶导数
方法1: 用二元隐函数存在的定理


具体来说, 二元函数的求导代码是这样写的:

把等号右边的式子全移到左边
分别对式子求 x 和 y 的偏导

```
syms x y;
f = @(x,y) ( x^2+y^2-4 );

dx = diff(f(x,y),x);
dy = diff(f(x,y),y);

ans = - dy/dx
```


方法2: 用solve硬解

如果你不知道公式, 还可以用solve函数强解隐函数导数, 具体做法如下:

1. 把y写成y(x)让matlab把其当做与x相关的导数
2. 直接对式$x^2+y(x)^2=5$求导可得到这样的结果: $2*x + 2*y(x)*diff(y(x), x) = 0$
3. 用变量$dydx$来代替原有的$diff(y(x), x)$
4. 用$solve$函数解$dydx$
```
syms x;
g = str2sym('x^2+y(x)^2=5');

dgdx = diff(g,x)

dgdx1 = str2sym('2*x + 2*y(x)*dydx = 0')

solve(dgdx1,str2sym('dydx'))
````

# 如何用matlab求隐式函数的二阶导数

方法1: 链式法则

```
syms x y;

f = @(x,y) ( x^2 + y^2 - 5 );

dfx = diff(f,x);
dfy = diff(f,y);

% 一阶隐式导
-dfx/dfy

f1 = @(x,y) (-x/y);

dydx = -x/y;

% 二阶隐式导
d2ydx2 = diff(dydx,x)+diff(dydx,y)*dydx
```

方法2: 用solve硬解

如果不知道公式也一样可以用solve函数硬解, 不过要稍麻烦一点.

```
syms x y(x);
s1 = str2sym('x^2+y^2=5');

m1 = diff(s1,x)

syms dydx;
s2 = subs(m1,diff(y),dydx)
s3 = solve(s2,dydx)

% 再求导后用一阶导替换diff(y)
s4 = diff(s3,x)
ans = subs(s4,diff(y),s3)
```