Feat: Add PP-OCRv5 model

[AzureG03]

增加PP-OCRv5 mobile模型用于OCR识别，仅支持了CPU，模型取自jingsongliujing/OnnxOCR

1. def ocr(self, img)：
   单张图像的单行文字识别
2. def atomic_ocr_for_single_lines(self, img_list, cand_alphabet=None)：
   类似CNOCR的多图单行文字识别接口，没有批处理（batch=1）
3. def detect_then_ocr(self, img, pad=10, threshold=0.3, mode=cv2.RETR_EXTERNAL, debug=False)：
   检测可能的文本区域->OCR识别，多区域也没有批处理（batch=1）

方法2和3实现了批处理，不过性能提升有限

环境要求onnxruntime，在python 3.7上通过pip安装的版本是1.14.1，会升级numpy到1.21.6，cnocr和mxnet会报错numpy版本不匹配，但实际运行目前没遇到报错，不过可能会影响打包？这个pr不处理依赖关系

OCR效果：

1. 全屏OCR大概在0.8到1.6秒之间（Intel I7-11800H），具体取决为待识别区域数量，可以通过裁剪无效区域加快速度；单行基本100ms内
2. 支持RGB图像和竖排文字，活动汇总下方的几个竖排都能正常识别
   竖排文字判断标准为若width*1.5<height，则逆时针旋转90°后再识别
3. 数字识别的正确率相比已有模型会差一点
   • 小概率出现数字重复的情况，如123变成1123；食物满额的40000变成400000
   • 罗马数字的识别也不如已有的，如III大概识别为‘川’
   • 后宅的食物没有的几种由于背景色相近大概检测不到，直接制定区域识别也容易给出错误结果，依靠已有的二值化处理可以一定程度缓解，不过第一个问题依然存在

现有的OCR基本用于数字识别，PP-OCRv5不微调没什么优势，而且已有的代码也有针对性的预处理和后处理
可能的用处大概是#1200和战斗时间（不用特地适配每个战斗主题）的识别？

import time

from alas import AzurLaneAutoScript

alas = AzurLaneAutoScript()
alas.device.screenshot()

# Usage 1
from module.ocr.pp_ocr import PpOcr
ocr = PpOcr()
start = time.time()
ocr.detect_then_ocr(alas.device.image)
print(time.time() - start)

# Usage 2
from module.ocr.ocr import Ocr
ocr = Ocr(None).ppocr
ocr.detect_then_ocr(alas.device.image, debug=True)

[LmeSzinc]

我没看见产生的优势是什么，正确率下降，单行识别耗时变为现在的2倍，alas 没 det 模型，你的 det 耗时是隔壁同样调用 paddle det 模型的 src 的 2~3 倍。要首先解决这个问题。

项目接入也完全没做，你不能写个小几百行的玩具代码，然后等着我帮你擦屁股，现在是 ai 时代，这样的代码没有价值。你要解决依赖冲突，rpc调用封装，原子设置字符集白名单，多语言模型和调用，det模型和rec模型的懒加载 主动预加载 主动释放，然后慢慢收集badcase进行修复，这个工作量不小的。

[AzureG03]

依赖问题：降级onnxruntime至1.10.0可以兼容numpy1.16.6，不过本机环境pip compile会在处理av时报错，pip install正常，不确定是否会有问题

PPOCR-v5不是用来替代已有的CNOCR的，例如科研任务的QDB三个字符太相似，不微调识别不准；目前主要是想在button assets中利用ocr来替代模板匹配文字图片，例如大世界的“深渊海域”，“普通海域”；宿舍计划的“选择宿舍”，“宿舍商店”等button

不确定隔壁的模型是不是指崩铁用的pponnxcr，v3和v5有较大区别，v5默认支持简繁日英四语；主要耗时都在预处理和det模型上，其中det占比80%以上，预处理约10%

性能测试：

1. cnocr和ppocr的atomic_ocr_for_single_lines加上util的timer注解
2. 在module.ocr.ocr.py Ocr类的ocr方法中加入代码进行测试：

           if direct_ocr:
               image_list = [self.pre_process(i) for i in image]
           else:
               image_list = [self.pre_process(crop(image, area)) for area in self.buttons]
   
           # This will show the images feed to OCR model
           # self.cnocr.debug(image_list)
   
           ppocr = self.ppocr.atomic_ocr_for_single_lines(image_list, self.alphabet)
           ppocr = self.ppocr.atomic_ocr_for_single_lines(image_list, self.alphabet)
           ppocr = self.ppocr.atomic_ocr_for_single_lines(image_list, self.alphabet)
   
           result_list = self.cnocr.atomic_ocr_for_single_lines(image_list, self.alphabet)
           result_list = self.cnocr.atomic_ocr_for_single_lines(image_list, self.alphabet)
           result_list = self.cnocr.atomic_ocr_for_single_lines(image_list, self.alphabet)
           result_list = [''.join(result) for result in result_list]
           result_list = [self.after_process(result) for result in result_list]

3. 大多数情况下ppocr即使有det模型，耗时也比cnocr少

   case 1:
       atomic_ocr_for_single_lines: 0.0372781754 s # ppocr
       atomic_ocr_for_single_lines: 0.0289912224 s
       atomic_ocr_for_single_lines: 0.0269718170 s
       atomic_ocr_for_single_lines: 0.0678009987 s # cnocr
       atomic_ocr_for_single_lines: 0.0461361408 s
       atomic_ocr_for_single_lines: 0.0438113213 s
   case 2:
       atomic_ocr_for_single_lines: 0.0991973877 s # ppcor
       atomic_ocr_for_single_lines: 0.0386574268 s
       atomic_ocr_for_single_lines: 0.0480852127 s
       atomic_ocr_for_single_lines: 0.2229168415 s # cncor
       atomic_ocr_for_single_lines: 0.0570271015 s
       atomic_ocr_for_single_lines: 0.0451655388 s
   case 3:
       atomic_ocr_for_single_lines: 0.1258404255 s # ppcor
       atomic_ocr_for_single_lines: 0.1157152653 s
       atomic_ocr_for_single_lines: 0.0658807755 s
       atomic_ocr_for_single_lines: 0.1653769016 s # cncor
       atomic_ocr_for_single_lines: 0.0738723278 s
       atomic_ocr_for_single_lines: 0.1048374176 s
   

4. 结论：对于裁剪后图片的ocr识别，ppocr的性能不比cnocr差，而且全屏的det->rec是不推荐的

如开头，ppocr不是来替代cnocr的，尤其是azur_lane模型，科研任务编号的识别目前替代不了

不过对于ui的按钮识别，ppocrv5自带的多语种和彩图支持是已有的cncor完全比不了的

注：单行文字的识别，默认启用了det模型（可通过参数关闭），因为部分情况下，文字周边存在无效的背景，或是文字右对齐，左边空白较大的情况下容易漏字或重复，先用det过一遍效果会好不少，而且图像裁剪后的耗时如上所述是完全可以接受的