郑州网站设计 品牌 视觉,安庆网站建设价格,建筑企业资质加盟,淘宝客网站可以备案吗cnocr配置及训练测试 1#xff0c;相关链接2#xff0c;已有模型调用测试#xff08;1#xff09;下载相关模型#xff08;2#xff09;Cnstd文本检测模型#xff08;3#xff09;模型调用解析脚本 3#xff0c;自定义数据集训练测试#xff08;1#xff09;标签转换… cnocr配置及训练测试 1相关链接2已有模型调用测试1下载相关模型2Cnstd文本检测模型3模型调用解析脚本 3自定义数据集训练测试1标签转换1-1标签转换脚本labelme2cnocr.py1-2转换为cnocr数据集 2训练2-1训练命令2-2训练结果2-3训练日志可视化可略过 3测试3-1测试脚本3-2测试结果 1相关链接
https://gitee.com/cyahua/cnocr/ cyahua / cnocr
https://github.com/breezedeus/CnOCR#%E5%8F%AF%E4%BD%BF%E7%94%A8%E7%9A%84%E8%AF%86%E5%88%AB%E6%A8%A1%E5%9E%8B 使用英文和数字的模型
https://zhuanlan.zhihu.com/p/660022852 CnOCR 纯数字识别新模型里面包含博主自定义训练的硬币数据集
纯英文模型检测精度更高适用于检测字符相关
2已有模型调用测试
1下载相关模型
https://zhuanlan.zhihu.com/p/660022852
https://pan.baidu.com/s/1wvIjbjw95akE-h_o1HQd9w?pwdnocrat1703123910772#list/path%2F
2Cnstd文本检测模型
https://github.com/breezedeus/cnstd
由此可知cnocr其内部文本检测使用的就是cnstd工具包而进行cnocr训练的只有识别模型 3模型调用解析脚本
手写解析功能用于测试
from cnocr import CnOcr
import cv2#https://gitee.com/cyahua/cnocr?_fromgitee_search
#专用英文的模型#img_fp ./docs/examples/huochepiao.jpeg
img_fp E:/tupian/ocr2/O16.bmpocr CnOcr(det_model_nameen_PP-OCRv3_det, rec_model_nameen_PP-OCRv3) # 所
out ocr.ocr(img_fp)print(out)# 结果处理
#绘制矩形框到图像
# img2 img_fp.copy()
img_fp2 cv2.imread(img_fp)
results
for output in out:result_text output[text]result_position output[position]# #数组转换成列表list_position result_position.tolist()print(list_position)print(type(list_position))p0 (int(list_position[0][0]),int(list_position[0][1]))p1 (int(list_position[1][0]),int(list_position[1][1]))p2 (int(list_position[2][0]),int(list_position[2][1]))p3 (int(list_position[3][0]),int(list_position[3][1]))print(p0)print(p1)print(p2)print(p3)color_l (0, 200, 0)thickness_l 2cv2.line(img_fp2, p0, p1, color_l, thickness_l)cv2.line(img_fp2, p1, p2, color_l, thickness_l)cv2.line(img_fp2, p2, p3, color_l, thickness_l)cv2.line(img_fp2, p3, p0, color_l, thickness_l)font cv2.FONT_HERSHEY_SIMPLEXfontScale 1color (255, 0, 0)thickness 2cv2.putText(img_fp2, result_text, p0, font, fontScale, color, thickness, cv2.LINE_AA)cv2.imshow(demo,img_fp2)
cv2.waitKey(0)相关测试结果
3自定义数据集训练测试
1标签转换
1-1标签转换脚本labelme2cnocr.py
import cv2
import os
import csvinput_path E:/tupian/ocr2/ocr_data
output_path ./data
ratio 0.1#拆分列表
def split_list(lst, ratios, num_splits):将列表按照指定比例和数量拆分成子列表:param lst: 待拆分列表:param ratios: 每个子列表的元素占比由小数表示的列表:param num_splits: 子列表的数量:return: 拆分后的子列表组成的列表if len(ratios) ! num_splits:raise ValueError(The length of ratios must equal to num_splits.)total_ratio sum(ratios)if total_ratio ! 1:raise ValueError(The sum of ratios must be equal to 1.)n len(lst)result []start 0for i in range(num_splits):end start int(n * ratios[i])result.append(lst[start:end])start endreturn resultdef read_path(input_path,output_path,ratio):#遍历该目录下的所有图片文件train_list []for filename in os.listdir(input_path):if .jpg in filename:img_filename filenameimg_path input_path / filenametxt_path input_path / filename.replace(.jpg,.txt)img_output_path output_path /images/ img_filenameif not os.path.exists(output_path /images):os.makedirs(output_path /images)print(img_path)print(txt_path)#读取保存图像img cv2.imread(img_path)cv2.imwrite(img_output_path, img)#读取txt文件并保存到tsv#中间用tab隔开字符空格隔开使用space表示空格label with open(txt_path, r, encodingutf-8) as f:# read()读取文件全部内容以字符串形式返回结果data f.read()for char in data:if char :char spacelabel label char label label.replace( \n ,)print(label)name_label_list []name_label_list.append(img_filename)name_label_list.append(label)print(name_label_list)train_list.append(name_label_list)#按照比例分割开ratios [1-ratio, ratio]num_splits 2result split_list(train_list, ratios, num_splits)#其中train.tsv是待创建的文件名或项目文件夹中已有的文件名‘w’代表写入指定newline’‘是为了避免每写出一行数据就会有一个空行delimiter代表分隔符tsv的分隔符为’\t’csv的分隔符为’,’。with open(output_path /train.tsv, w, newline) as tsvfile:writer csv.writer(tsvfile, delimiter\t)writer.writerows(result[0])with open(output_path /dev.tsv, w, newline) as tsvfile:writer csv.writer(tsvfile, delimiter\t)writer.writerows(result[1])#注意*处如果包含家目录home不能写成~符号代替
#必须要写成/home的格式否则会报错说找不到对应的目录
#读取的目录
read_path(input_path, output_path, ratio)
#print(os.getcwd())1-2转换为cnocr数据集 会生成三个文件images是图像dev.tsv是测试集train.tsv是训练集 2训练
2-1训练命令 使用cpu进行的训练
(venv) PS G:\pyproject\CnOCR-master cnocr train -m densenet_lite_136-fc -p data/densenet_lite_136-fc/cnocr-v2.2-densenet_lite_136-fc-epoch039-complete_match_epoch0.8597-model.ckpt --index-dir data --train-config-fp data/train_con
fig.json2-2训练结果 2-3训练日志可视化可略过
https://blog.csdn.net/qq_44864833/article/details/131295460 wandb快速上手、使用心得超好用的Tensorboard高替品
离线训练完成后可以通过wandb sync将相关日志文件上传然后在线查看 https://wandb.ai/authorize 登录上方创建账号和key 3测试
3-1测试脚本
from cnocr import CnOcr
import cv2
import os#https://gitee.com/cyahua/cnocr?_fromgitee_search
#专用英文的模型def detect_imgs(input_path,output_path):for filename in os.listdir(input_path):if (.jpg in filename) or (.png in filename) or (.bmp in filename):img_filename filenameimg_fp input_path / filenametxt_path input_path / filename.replace(.jpg, .txt)img_output_path output_path /outimgs/ img_filenameif not os.path.exists(output_path /outimgs):os.makedirs(output_path /outimgs)#img_fp ./docs/examples/huochepiao.jpeg# img_fp E:/tupian/ocr2/O7.bmp# #使用已有的模型# ocr CnOcr(det_model_nameen_PP-OCRv3_det, rec_model_nameen_PP-OCRv3) # 所en_PP-OCRv3 , en_number_mobile_v2.0, number-densenet_lite_136-fc# out ocr.ocr(img_fp)# print(out)training_model_fp G:/pyproject/CnOCR-master/runs/CnOCR-Rec/5b5uka01/checkpoints/last.ckpt# #调用自训练的识别模型对原数据集进行验证验证使用单行不要使用检测模型ocr CnOcr(rec_model_fptraining_model_fp, rec_model_backendpytorch) # 调用训练好的识别模型(使用单行的进行)#ocr CnOcr(rec_model_nameen_PP-OCRv3)out ocr.ocr_for_single_line(img_fp)# print(out)# results -- out[text]# img_fp2 cv2.imread(img_fp)# cv2.imwrite(img_output_path, img_fp2)#调用配置好的模型使用已有的检测模型en_PP-OCRv3_det效果并不是很好在原数据集上#####################################################################ocr CnOcr(det_model_name en_PP-OCRv3_det, rec_model_name densenet_lite_136-fc, rec_model_fp training_model_fp, rec_model_backend pytorch) # 所en_PP-OCRv3 , en_number_mobile_v2.0ocr CnOcr(det_model_nameen_PP-OCRv3_det, rec_model_fptraining_model_fp, rec_model_backend pytorch) #调用训练好的模型out ocr.ocr(img_fp)#结果处理#绘制矩形框到图像img_fp2 cv2.imread(img_fp)results for output in out:result_text output[text]result_position output[position]# #数组转换成列表list_position result_position.tolist()print(list_position)print(type(list_position))p0 (int(list_position[0][0]),int(list_position[0][1]))p1 (int(list_position[1][0]),int(list_position[1][1]))p2 (int(list_position[2][0]),int(list_position[2][1]))p3 (int(list_position[3][0]),int(list_position[3][1]))print(p0)print(p1)print(p2)print(p3)color_l (0, 200, 0)thickness_l 2cv2.line(img_fp2, p0, p1, color_l, thickness_l)cv2.line(img_fp2, p1, p2, color_l, thickness_l)cv2.line(img_fp2, p2, p3, color_l, thickness_l)cv2.line(img_fp2, p3, p0, color_l, thickness_l)font cv2.FONT_HERSHEY_SIMPLEXfontScale 1color (255, 0, 0)thickness 2cv2.putText(img_fp2, result_text, p0, font, fontScale, color, thickness, cv2.LINE_AA)results results -- result_text#cv2.imshow(demo,img_fp2)cv2.imwrite(img_output_path,img_fp2)#cv2.waitKey(0)############################################################################################################string_txt img_output_path.replace(.jpg,) _ results .txtprint(string_txt)with open(string_txt, w) as tsvfile:tsvfile.write(results)#input_path G:/pyproject/CnOCR-master/data/images
input_path E:/tupian/ocr2
output_path G:/pyproject/CnOCR-master/datadetect_imgs(input_path,output_path)3-2测试结果
使用预训练模型训练300轮次左右得到的测试效果如下被遮挡的文字识别也是比较准确的。
