fastdeploy使用openvino推理后端在ppocr-v3模型上的推理速度问题

[uniqlo1]

按照官方的部署方法搭建了环境，仅cpu运行推理，目前参数设置如下

import fastdeploy as fd
import cv2
import os

det_option = fd.RuntimeOption()
cls_option = fd.RuntimeOption()
rec_option = fd.RuntimeOption()
print(det_option)

det_option.use_openvino_backend()
cls_option.use_openvino_backend()
rec_option.use_openvino_backend()

det_model_file = os.path.join("ch_PP-OCRv3_det_infer", "inference.pdmodel")
det_params_file = os.path.join("ch_PP-OCRv3_det_infer", "inference.pdiparams")

cls_model_file = os.path.join("ch_ppocr_mobile_v2.0_cls_infer", "inference.pdmodel")
cls_params_file = os.path.join("ch_ppocr_mobile_v2.0_cls_infer", "inference.pdiparams")

rec_model_file = os.path.join("ch_PP-OCRv3_rec_infer", "inference.pdmodel")
rec_params_file = os.path.join("ch_PP-OCRv3_rec_infer", "inference.pdiparams")
rec_label_file = "ppocr_keys_v1.txt"


det_model = fd.vision.ocr.DBDetector(
    det_model_file, det_params_file, runtime_option=det_option)

cls_model = fd.vision.ocr.Classifier(
    cls_model_file, cls_params_file, runtime_option=cls_option)

rec_model = fd.vision.ocr.Recognizer(
    rec_model_file, rec_params_file, rec_label_file, runtime_option=rec_option)


#设置输入图像的最大边长。
det_model.preprocessor.max_side_len = 960
#只有置信度高于这个值的文本框才会被认为是有效的文本框
det_model.postprocessor.det_db_thresh = 0.3
#只有置信度高于这个值的文本框才会被保留下来
det_model.postprocessor.det_db_box_thresh = 0.6
#检测到的文本框会按照这个比例进行扩展，以确保完整包含整个文本区域
det_model.postprocessor.det_db_unclip_ratio = 1.5
#设置文本框得分模式
det_model.postprocessor.det_db_score_mode = "slow"
#设置是否在后处理中使用膨胀操作。膨胀操作可以扩大文本区域
det_model.postprocessor.use_dilation = False
#设置文本方向分类的阈值。这个值用于控制分类结果的置信度阈值，只有置信度高于这个值的分类结果才会被认为是有效的
cls_model.postprocessor.cls_thresh = 0.9

print(det_option)
ppocr_v3 = fd.vision.ocr.PPOCRv3(
    det_model=det_model, cls_model=cls_model, rec_model=rec_model)

ppocr_v3.cls_batch_size = 1
ppocr_v3.rec_batch_size = 6
"""
ppocr_v3.predict()返回结果
OCRResult代码定义在fastdeploy/vision/common/result.h中，用于表明图像检测和识别出来的文本框，文本框方向分类，以及文本框内的文本内容.
API:fastdeploy.vision.OCRResult, 该结果返回:
boxes(list of list(int)): 成员变量，表示单张图片检测出来的所有目标框坐标，boxes.size()表示单张图内检测出的框的个数，每个框以8个int数值依次表示框的4个坐标点，顺序为左下，右下，右上，左上.
text(list of string): 成员变量，表示多个文本框内被识别出来的文本内容，其元素个数与boxes.size()一致.
rec_scores(list of float): 成员变量，表示文本框内识别出来的文本的置信度，其元素个数与boxes.size()一致.
cls_scores(list of float): 成员变量，表示文本框的分类结果的置信度，其元素个数与boxes.size()一致.
cls_labels(list of int): 成员变量，表示文本框的方向分类类别，其元素个数与boxes.size()一致.
"""
def fd_ocr_predict(img):
    result = ppocr_v3.predict(img)
    return result.boxes,result.text,result.rec_scores


if __name__ == "__main__":
    im = cv2.imread("picture/1.png")
    print(im)
    text_boxes, recognized_texts,confidence= fd_ocr_predict(im)
    print(text_boxes)
    print(recognized_texts)
    print(confidence)
    print(ppocr_v3.predict(im))
    #vis_im = fd.vision.vis_ppocr(im, result)
    #cv2.imwrite("visualized_result.jpg", vis_im)
    #print("Visualized result save in ./visualized_result.jpg")

请问应该如何设置接口调用参数，或采取某些方法加快推理速度