diff --git "a/applications/PCB\345\255\227\347\254\246\350\257\206\345\210\253/PCB\345\255\227\347\254\246\350\257\206\345\210\253.md" "b/applications/PCB\345\255\227\347\254\246\350\257\206\345\210\253/PCB\345\255\227\347\254\246\350\257\206\345\210\253.md" index a5052e2897ab9f09a6ed7b747f9fa1198af2a8ab..ee13bacffdb65e6300a034531a527fdca4ed29f9 100644 --- "a/applications/PCB\345\255\227\347\254\246\350\257\206\345\210\253/PCB\345\255\227\347\254\246\350\257\206\345\210\253.md" +++ "b/applications/PCB\345\255\227\347\254\246\350\257\206\345\210\253/PCB\345\255\227\347\254\246\350\257\206\345\210\253.md" @@ -206,7 +206,11 @@ Eval.dataset.transforms.DetResizeForTest: 尺寸 limit_type: 'min' ``` -然后执行评估代码 +如需获取已训练模型，请扫码填写问卷，加入PaddleOCR官方交流群获取全部OCR垂类模型下载链接、《动手学OCR》电子书等全套OCR学习资料🎁 +
+ +
+将下载或训练完成的模型放置在对应目录下即可完成模型评估。 ```python diff --git "a/applications/\345\244\232\346\250\241\346\200\201\350\241\250\345\215\225\350\257\206\345\210\253.md" "b/applications/\345\244\232\346\250\241\346\200\201\350\241\250\345\215\225\350\257\206\345\210\253.md" index 27f981101aa83704157914e5fc15e533de929d76..471ca633c143635b1715f054efa6924c1d0a1eab 100644 --- "a/applications/\345\244\232\346\250\241\346\200\201\350\241\250\345\215\225\350\257\206\345\210\253.md" +++ "b/applications/\345\244\232\346\250\241\346\200\201\350\241\250\345\215\225\350\257\206\345\210\253.md" @@ -7,12 +7,12 @@ - [3.2 转换为PaddleOCR检测和识别格式](#32-转换为paddleocr检测和识别格式) - [4 OCR](#4-ocr) - [4.1 文本检测](#41-文本检测) - - [**4.1.1 方案1：预训练模型**](#411-方案1预训练模型) - - [**4.1.2 方案2：XFUND数据集+fine-tune**](#412-方案2xfund数据集fine-tune) + - [4.1.1 方案1：预训练模型](#411-方案1预训练模型) + - [4.1.2 方案2：XFUND数据集+fine-tune](#412-方案2xfund数据集fine-tune) - [4.2 文本识别](#42-文本识别) - - [**4.2.1 方案1：预训练模型**](#421-方案1预训练模型) - - [**4.2.2 方案2：XFUND数据集+finetune**](#422-方案2xfund数据集finetune) - - [**4.2.3 方案3：XFUND数据集+finetune+真实通用识别数据**](#423-方案3xfund数据集finetune真实通用识别数据) + - [4.2.1 方案1：预训练模型](#421-方案1预训练模型) + - [4.2.2 方案2：XFUND数据集+finetune](#422-方案2xfund数据集finetune) + - [4.2.3 方案3：XFUND数据集+finetune+真实通用识别数据](#423-方案3xfund数据集finetune真实通用识别数据) - [5 文档视觉问答(DOC-VQA)](#5-文档视觉问答doc-vqa) - [5.1 SER](#51-ser) - [5.1.1 模型训练](#511-模型训练) @@ -195,7 +195,7 @@ python trans_xfund_data.py - **PP-OCRv2中英文超轻量检测预训练模型** - **XFUND数据集+fine-tune** -#### **4.1.1 方案1：预训练模型** +#### 4.1.1 方案1：预训练模型 **1）下载预训练模型** @@ -265,7 +265,7 @@ python tools/eval.py \ 使用文本检测预训练模型在XFUND验证集上评估，达到77%左右，充分说明ppocr提供的预训练模型具有泛化能力。 -#### **4.1.2 方案2：XFUND数据集+fine-tune** +#### 4.1.2 方案2：XFUND数据集+fine-tune PaddleOCR提供的蒸馏预训练模型包含了多个模型的参数，我们提取Student模型的参数，在XFUND数据集上进行finetune，可以参考如下代码： @@ -316,7 +316,13 @@ CUDA_VISIBLE_DEVICES=0 python tools/train.py \
图8 文本检测方案2-模型评估
-使用训练好的模型进行评估，更新模型路径`Global.checkpoints`。 +使用训练好的模型进行评估，更新模型路径`Global.checkpoints`。如需获取已训练模型，请扫码填写问卷，加入PaddleOCR官方交流群获取全部OCR垂类模型下载链接、《动手学OCR》电子书等全套OCR学习资料🎁 + +
+ +
+ +将下载或训练完成的模型放置在对应目录下即可完成模型评估 ```python @@ -412,7 +418,7 @@ use_gpu：是否使用GPU - XFUND数据集+fine-tune - XFUND数据集+fine-tune+真实通用识别数据 -#### **4.2.1 方案1：预训练模型** +#### 4.2.1 方案1：预训练模型 **1）下载预训练模型** @@ -461,7 +467,7 @@ CUDA_VISIBLE_DEVICES=0 python tools/eval.py \ 使用文本预训练模型在XFUND验证集上评估，acc达到67%左右，充分说明ppocr提供的预训练模型具有泛化能力。 -#### **4.2.2 方案2：XFUND数据集+finetune** +#### 4.2.2 方案2：XFUND数据集+finetune 同检测模型，我们提取Student模型的参数，在XFUND数据集上进行finetune，可以参考如下代码： @@ -528,7 +534,7 @@ CUDA_VISIBLE_DEVICES=0 python tools/eval.py \ 使用XFUND数据集+finetune训练，在验证集上评估达到72%左右，说明 finetune会提升垂类场景效果。 -#### **4.2.3 方案3：XFUND数据集+finetune+真实通用识别数据** +#### 4.2.3 方案3：XFUND数据集+finetune+真实通用识别数据 接着我们在上述`XFUND数据集+finetune`实验的基础上，添加真实通用识别数据，进一步提升识别效果。首先准备真实通用识别数据，并上传到AIStudio： @@ -873,14 +879,6 @@ with open('output/re/infer_results.txt', 'r', encoding='utf-8') as fin: workbook.close() ``` -## 获得模型 - -如需获取已训练模型，请扫码填写问卷，加入PaddleOCR官方交流群获取全部OCR垂类模型下载链接、《动手学OCR》电子书等全套OCR学习资料🎁 -
- -
-将下载或训练完成的模型放置在对应目录下即可完成模型推理 - ## 更多资源 - 更多深度学习知识、产业案例、面试宝典等，请参考：[awesome-DeepLearning](https://github.com/paddlepaddle/awesome-DeepLearning)