PaddleOCR 2.6版本 训练私人数据集详细教程 |
您所在的位置：网站首页 › bcebos什么数据 › PaddleOCR 2.6版本 训练私人数据集详细教程 |
PaddleOCR 2.6版本 训练私人数据集详细教程
|
目录 前言 一、环境搭建 1.创建虚拟环境 2.安装paddlepaddle-gpu版本 二、准备数据 1.使用PPOCRLabel标注数据 2.构建数据集 三、训练文字检测模型 1.下载预训练文字检测模型 2.修改参数配置文件 3.执行训练 4.可视化训练过程 5.执行评估 四、训练文字识别模型 1.下载预训练文字识别模型 2.修改参数配置文件 3.执行训练 4.可视化训练过程 5.执行评估 6.测试识别结果 前言PaddleOCR是目前识别精度比较高的开源项目，这篇文章主要介绍如何利用私人数据集训练OCR模型，并部署到本地。 一、环境搭建 1.创建虚拟环境 conda creeate -n paddle_gpu python = 3.8 2.安装paddlepaddle-gpu版本激活虚拟环境 activate paddlle_gpu根据paddlepaddle版本要求，安装对应的cuda和cudnn版本。 https://www.paddlepaddle.org.cn/install/old?docurl=/documentation/docs/zh/install/pip/windows-pip.html 经过本人测试，安装低于当前电脑cuda版本的paddle，也不影响使用（本人电脑已经安装cuda11.3，没找到对应paddle版本，因此安装的是cuda11.2版本paddle） conda install paddlepaddle-gpu==2.3.2 cudatoolkit=11.2 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/ -c conda-forge验证安装是否成功，终端输入python，然后分别输入以下两行代码 import paddle paddle.utils.run_check()安装padlleocr，截至2023.06.11，GitHub上最新版本是2.6，因此按照以下命令安装： pip install "paddleocr>=2.6"验证安装是否成功 from paddleocr import PaddleOCR, draw_ocr import os os.environ['KMP_DUPLICATE_LIB_OK'] = 'True' ocr = PaddleOCR(use_angle_cls=True, lang="ch") img_path = './4.jpg' result = ocr.ocr(img_path, cls=True) print(result) for line in result: print(len(line)) print(line) print('图片中的第一个检测结果') print(result[0][0]) print('图片中的第二个检测结果') print(result[0][1]) print('图片中的第一个检测结果的框坐标') print(result[0][0][0]) print('图片中的第一个检测结果的文字') print(result[0][0][1][0]) from PIL import Image image = Image.open(img_path).convert('RGB') boxes = [result[0][i][0] for i in range(len(result[0]))] print(boxes) txts = [result[0][i][1][0] for i in range(len(result[0]))] print(txts) scores = [result[0][i][1][1] for i in range(len(result[0]))] print(scores) im_show = draw_ocr(image, boxes, txts, scores) im_show = Image.fromarray(im_show) im_show.save('./result.jpg')运行结果如下：
克隆paddleocr库并解压https://github.com/PaddlePaddle/PaddleOCR/archive/refs/heads/release/2.6.zip 接着： cd PaddleOCR-release-2.6/PPOCRLabelPPOCRLabel文件夹如下图所示：
安装PPOCRLabel，为标注数据作准备，运行以下代码： python setup.py bdist_wheel该目录下dist文件夹中会生成一个wheel文件 接着运行： pip3 install dist/PPOCRLabel-2.1.3-py2.py3-none-any.whl安装完成后，启动PPOCRLabel： PPOCRLabel --lang ch如果提示缺少包，用pip install “packname” 即可， 注意，安装Ploygon时，用pip install Ploygon3命令安装。 二、准备数据 1.使用PPOCRLabel标注数据运行以下代码： PPOCRLabel --lang ch 提前将数据划分为训练集和测试集，再分别进行标注。 点击左上角文件按钮，加载数据集目录，点击左下角自动标注，然后一幅一幅检查并修改检测框和标签，标注结束以后，点击左上角文件导出标记结果和识别结果。 注意，多点标注时，点击最后一个点使其和第一个点重合（这时鼠标会变成小手），即视为画完整个框，然后点击右上角重新识别按钮（多点检测框也会自动变成带角度的矩形框），检查并修改识别结果。
其中，crop_img是从整张图中裁剪的文字区域，Label.txt中每行保存的是原始图片名以及对应文字检测框的四个点坐标（文字检测模型的标签），rec_gt.txt中每行保存的是crop_img文件夹下的图片名和对应文字识别结果（文字识别模型的标签）。 2.构建数据集在PaddleOCR-release-2.6文件夹下新建一个存放metal_parts_images（根据自己数据集命名）文件夹，目录下新建image_det和image_rec文件夹，每个文件夹下分别新建train和test文件夹。 将PPOCRLabel标注数据放到对应目录下，train和test文件夹放置图片，label文件也放到该目录下（注意，标注软件自动保存的图片路径需要修改）。 检测模型对应的训练和测试数据文件结构：
识别模型对应的训练和测试数据文件结构：
注意，label文件对应图片路径不要搞错。 三、训练文字检测模型 1.下载预训练文字检测模型PaddleOCR-release-2.6目录下，新建pretrain_models文件夹。 下载预训练模型，解压到./pretrain_models文件夹。https://paddleocr.bj.bcebos.com/pretrained/MobileNetV3_large_x0_5_pretrained.pdparams 2.修改参数配置文件修改\PaddleOCR-release-2.6\configs\det目录下的det_mv3_db.yml，也可以复制一份，重新命名。 如果要可视化训练过程，把use_visualdl 改为True。
开始训练，输入以下命令： python tools/train.py -c configs/det/det_mv3_db.yml -o Global.pretrained_model=./pretrain_models/MobileNetV3_large_x0_5_pretrained
训练过程中，再开一个终端，输入以下命令可视化训练过程： visualdl --logdir "./output/db_mv3" 打开浏览器，输入http://localhost:8040/
评估模型，输入以下命令： python tools/eval.py -c configs/det/det_mv3_db.yml -o Global.checkpoints=./output/db_mv3/best_accuracy
输入以下命令 python tools/export_model.py -c configs/det/det_mv3_db_ocr.yml -o Global.pretrained_model=./output/db_mv3/best_accuracy Global.save_inference_dir=./inference/det_db
输入以下命令： python tools/infer/predict_det.py --det_algorithm="DB" --det_model_dir="./inference/det_db/" --image_dir="./5.jpg" --use_gpu=True 也可以把单张图片的路径改成文件夹路径，这样能够检测文件夹下所有图片。 四、训练文字识别模型 1.下载预训练文字识别模型https://paddleocr.bj.bcebos.com/PP-OCRv3/english/en_PP-OCRv3_rec_train.tar 解压到pretrain_models文件夹 2.修改参数配置文件.\configs\rec\PP-OCRv3\en_PP-OCRv3_rec.yml
|
【本文地址】
今日新闻 |
推荐新闻 |