160 lines
5.0 KiB
Markdown
160 lines
5.0 KiB
Markdown
## 文字识别
|
||
|
||
### 数据准备
|
||
|
||
|
||
PaddleOCR 支持两种数据格式: `lmdb` 用于训练公开数据，调试算法; `通用数据` 训练自己的数据:
|
||
|
||
请按如下步骤设置数据集：
|
||
|
||
训练数据的默认存储路径是 `PaddleOCR/train_data`,如果您的磁盘上已有数据集，只需创建软链接至数据集目录：
|
||
|
||
```
|
||
ln -sf <path/to/dataset> <path/to/paddle_detection>/train_data/dataset
|
||
```
|
||
|
||
|
||
* 数据下载
|
||
|
||
若您本地没有数据集，可以在官网下载 [icdar2015](http://rrc.cvc.uab.es/?ch=4&com=downloads) 数据，用于快速验证。也可以参考[DTRB](https://github.com/clovaai/deep-text-recognition-benchmark#download-lmdb-dataset-for-traininig-and-evaluation-from-here)，下载 benchmark 所需的lmdb格式数据集。
|
||
|
||
* 使用自己数据集：
|
||
|
||
若您希望使用自己的数据进行训练，请参考下文组织您的数据。
|
||
|
||
- 训练集
|
||
|
||
首先请将训练图片放入同一个文件夹（train_images），并用一个txt文件（rec_gt_train.txt）记录图片路径和标签。
|
||
|
||
* 注意： 默认请将图片路径和图片标签用 \t 分割，如用其他方式分割将造成训练报错
|
||
|
||
```
|
||
" 图像文件名 图像标注信息 "
|
||
|
||
train_data/train_0001.jpg 简单可依赖
|
||
train_data/train_0002.jpg 用科技让复杂的世界更简单
|
||
```
|
||
PaddleOCR 提供了一份用于训练 icdar2015 数据集的标签文件，通过以下方式下载：
|
||
|
||
```
|
||
# 训练集标签
|
||
wget -P ./train_data/ic15_data https://paddleocr.bj.bcebos.com/dataset/rec_gt_train.txt
|
||
# 测试集标签
|
||
wget -P ./train_data/ic15_data https://paddleocr.bj.bcebos.com/dataset/rec_gt_test.txt
|
||
```
|
||
|
||
最终训练集应有如下文件结构：
|
||
|
||
```
|
||
|-train_data
|
||
|-ic15_data
|
||
|- rec_gt_train.txt
|
||
|- train
|
||
|- word_001.png
|
||
|- word_002.jpg
|
||
|- word_003.jpg
|
||
| ...
|
||
```
|
||
|
||
- 测试集
|
||
|
||
同训练集类似，测试集也需要提供一个包含所有图片的文件夹（test）和一个rec_gt_test.txt，测试集的结构如下所示：
|
||
|
||
```
|
||
|-train_data
|
||
|-ic15_data
|
||
|- rec_gt_test.txt
|
||
|- test
|
||
|- word_001.jpg
|
||
|- word_002.jpg
|
||
|- word_003.jpg
|
||
| ...
|
||
```
|
||
|
||
- 字典
|
||
|
||
最后需要提供一个字典（{word_dict_name}.txt），使模型在训练时，可以将所有出现的字符映射为字典的索引。
|
||
|
||
因此字典需要包含所有希望被正确识别的字符，{word_dict_name}.txt需要写成如下格式，并以 `utf-8` 编码格式保存：
|
||
|
||
```
|
||
l
|
||
d
|
||
a
|
||
d
|
||
r
|
||
n
|
||
```
|
||
|
||
word_dict.txt 每行有一个单字，将字符与数字索引映射在一起，“and” 将被映射成 [2 5 1]
|
||
|
||
`ppocr/utils/ppocr_keys_v1.txt` 是一个包含6623个字符的中文字典，
|
||
`ppocr/utils/ic15_dict.txt` 是一个包含36个字符的英文字典，
|
||
您可以按需使用。
|
||
|
||
如需自定义dic文件，请修改 `configs/rec/rec_icdar15_train.yml` 中的 `character_dict_path` 字段, 并将 `character_type` 设置为 `ch`。
|
||
|
||
### 启动训练
|
||
|
||
PaddleOCR提供了训练脚本、评估脚本和预测脚本，本节将以 CRNN 识别模型为例：
|
||
|
||
首先下载pretrain model，您可以下载训练好的模型在 icdar2015 数据上进行finetune
|
||
|
||
```
|
||
cd PaddleOCR/
|
||
# 下载MobileNetV3的预训练模型
|
||
wget -P ./pretrain_models/ https://paddleocr.bj.bcebos.com/rec_mv3_none_bilstm_ctc.tar
|
||
# 解压模型参数
|
||
cd pretrain_models
|
||
tar -xf rec_mv3_none_bilstm_ctc.tar && rm -rf rec_mv3_none_bilstm_ctc.tar
|
||
```
|
||
|
||
开始训练:
|
||
|
||
```
|
||
# 设置PYTHONPATH路径
|
||
export PYTHONPATH=$PYTHONPATH:.
|
||
# GPU训练 支持单卡，多卡训练，通过CUDA_VISIBLE_DEVICES指定卡号
|
||
export CUDA_VISIBLE_DEVICES=0,1,2,3
|
||
python3 tools/train.py -c configs/rec/rec_icdar15_train.yml
|
||
```
|
||
|
||
PaddleOCR支持训练和评估交替进行, 可以在 `configs/rec/rec_icdar15_train.yml` 中修改 `eval_batch_step` 设置评估频率，默认每500个iter评估一次。评估过程中默认将最佳acc模型，保存为 `output/rec_CRNN/best_accuracy` 。
|
||
|
||
如果验证集很大，测试将会比较耗时，建议减少评估次数，或训练完再进行评估。
|
||
|
||
* 提示： 可通过 -c 参数选择 `configs/rec/` 路径下的多种模型配置进行训练
|
||
|
||
### 评估
|
||
|
||
评估数据集可以通过 `configs/rec/rec_icdar15_reader.yml` 修改EvalReader中的 `label_file_path` 设置。
|
||
|
||
```
|
||
export CUDA_VISIBLE_DEVICES=0
|
||
# GPU 评估， Global.checkpoints 为待测权重
|
||
python3 tools/eval.py -c configs/rec/rec_chinese_lite_train.yml -o Global.checkpoints={path/to/weights}/best_accuracy
|
||
```
|
||
|
||
### 预测
|
||
|
||
* 训练引擎的预测
|
||
|
||
使用 PaddleOCR 训练好的中文模型，可以通过以下脚本进行快速预测。
|
||
|
||
默认预测图片存储在 `infer_img` 里，通过 `-o Global.checkpoints` 指定权重：
|
||
|
||
```
|
||
python3 tools/infer_rec.py -c configs/rec/rec_chinese_lite_train.yml -o Global.checkpoints={path/to/weights}/best_accuracy TestReader.infer_img=doc/imgs_word/word_1.jpg
|
||
```
|
||
预测图片：
|
||
|
||
|
||
|
||
得到输入图像的预测结果：
|
||
|
||
```
|
||
infer_img: doc/imgs_words/word_1.jpg
|
||
index: [2092 177 312 2503]
|
||
word : 韩国小馆
|
||
```
|