recognition.md 4.2 KB
Newer Older
T
tink2123 已提交
1 2 3 4 5
## 文字识别

### 数据准备


T
tink2123 已提交
6
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: 
T
tink2123 已提交
7 8

请按如下步骤设置数据集:
T
tink2123 已提交
9 10 11 12 13 14 15 16 17 18

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

T
tink2123 已提交
19
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。
T
tink2123 已提交
20

T
tink2123 已提交
21
* 使用自己数据集:
T
tink2123 已提交
22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

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
```

最终训练集应有如下文件结构:

T
tink2123 已提交
40
```
T
tink2123 已提交
41 42 43 44 45 46 47
|-train_data
    |- rec_gt_train.txt
    |- train_imags
        |- train_001.jpg
        |- train_002.jpg
        |- train_003.jpg
        | ...
T
tink2123 已提交
48
```
T
tink2123 已提交
49 50 51 52 53

- 评估集

同训练集类似,评估集也需要提供一个包含所有图片的文件夹(eval_images)和一个rec_gt_eval.txt,评估集的结构如下所示:

T
tink2123 已提交
54
```
T
tink2123 已提交
55 56 57 58 59 60 61
|-train_data
    |- rec_gt_eval.txt
    |- eval_imags
        |- eval_001.jpg
        |- eval_002.jpg
        |- eval_003.jpg
        | ...
T
tink2123 已提交
62
```
T
tink2123 已提交
63 64 65 66 67

- 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。

T
tink2123 已提交
68
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:
T
tink2123 已提交
69

T
tink2123 已提交
70 71
```
l
T
tink2123 已提交
72 73
d
a
T
tink2123 已提交
74 75
d
r
T
tink2123 已提交
76
n
T
tink2123 已提交
77
```
T
tink2123 已提交
78 79 80 81 82 83 84 85 86 87

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。


### 启动训练

T
tink2123 已提交
88
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:
T
tink2123 已提交
89 90 91 92 93 94 95 96 97

```
# 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
python tools/train.py -c configs/rec/rec_icdar15_train.yml
```

T
tink2123 已提交
98
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2000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`
T
tink2123 已提交
99 100 101

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。

T
tink2123 已提交
102 103
* 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

T
tink2123 已提交
104 105 106 107 108 109
### 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
T
tink2123 已提交
110 111
# GPU 评估, Global.checkpoints 为待测权重
python tools/eval.py -c configs/rec/rec_chinese_lite_train.yml -o Global.checkpoints={path/to/weights}/best_accuracy
T
tink2123 已提交
112 113
```

T
tink2123 已提交
114
### 预测
T
tink2123 已提交
115 116 117

* 训练引擎的预测

T
tink2123 已提交
118
PaddleOCR 提供了训练好的中文模型,可以[下载](todo: add)进行快速预测。
T
tink2123 已提交
119

T
tink2123 已提交
120
默认预测图片存储在 `infer_img` 里,通过 `-o Global.checkpoints` 指定权重:
T
tink2123 已提交
121 122

```
T
tink2123 已提交
123
python tools/infer_rec.py -c configs/rec/rec_chinese_lite_train.yml -o Global.checkpoints={path/to/weights}/best_accuracy
T
tink2123 已提交
124 125 126 127 128 129 130 131 132 133 134 135
```

得到输入图像的预测结果:

```
infer_img: infer_img/328_4.jpg
# 字符在字典中的索引
[1863  921   55  155 1863 4209 3344  486  914 1863 4918]
# 预测结果
冷库专用冷冻液/载冷剂
```