Day0

**step1:**進入BML主頁，點擊立即使用

🔗：https://ai.baidu.com/bml/

**step2:**點擊Notebook，創建“通用任務”

**step3:**填寫任務資訊

Day01

第一步：配置Notebook

1.找到昨天創建的Notebook任務，點擊配置

• 開發語言：Python3.7
• AI框架：PaddlePaddle2.0.0
• 資源規格：GPU V100

**
**

2.打開Notebook

3.創建一個Notebook，選擇Python3

第二步：上傳資料集至Notebook

1.下載資料集至本地

https://aistudio.baidu.com/aistudio/datasetdetail/123686

2.上傳資料集至Notebook并解壓

!unzip -q /home/work/chepaishibie.zip

3.生成標簽檔案

• 本次使用的資料集為CCPD2019車牌資料集
• 該資料集在合肥市的停車場采集得來，采集時間早上7:30到晚上10:00，停車場采集人員手持Android POS機對停車場的車輛拍照并手工標注車牌位置，拍攝的車牌照片涉及多種復雜環境，包括模糊、傾斜、陰雨天、雪天等等，CCPD資料集一共包含將近30萬張圖片，每種圖片大小720x1160x3，一共包含8項，具體如下：

• CCPD資料集沒有專門的標注檔案，每張影像的檔案名就是對應的資料標注(label)

• • 例如:025-95_113-154&383_386&473-386&473_177&454_154&383_363&402-0_0_22_27_27_33_16-37-15.jpg 由分隔符’-'分為幾個部分:
• 1. 025為區域
  2. 95_113 對應兩個角度, 水平95°, 豎直113°
  3. 154&383_386&473對應邊界框坐標:左上(154, 383), 右下(386, 473)
  4. 386&473_177&454_154&383_363&402對應四個角點坐標
  5. 0_0_22_27_27_33_16為車牌號碼 映射關系如下: 第一個為省份0 對應省份字典皖, 后面的為字母和文字, 查看ads字典.如0為A, 22為Y…

• 僅使用到資料集中正常車牌即ccpd_base的資料

import os, cv2
import random
words_list = [
    "A", "B", "C", "D", "E",
    "F", "G", "H", "J", "K", 
    "L", "M", "N", "P", "Q", 
    "R", "S", "T", "U", "V", 
    "W", "X", "Y", "Z", "0", 
    "1", "2", "3", "4", "5", 
    "6", "7", "8", "9" ]

con_list = [
    "皖", "滬", "津", "渝", "冀",
    "晉", "蒙", "遼", "吉", "黑",
    "蘇", "浙", "京", "閩", "贛",
    "魯", "豫", "鄂", "湘", "粵",
    "桂", "瓊", "川", "貴", "云",
    "西", "陜", "甘", "青", "寧",
    "新"]

count = 0
total = []
paths = os.listdir('/home/work/chepaishibie')#真實資料集路徑
#for path in paths:
for item in os.listdir(os.path.join('/home/work/chepaishibie')):#真實資料集路徑
    if item[-3:] =='jpg':
        new_path = os.path.join('/home/work/chepaishibie', item) #訓練圖片路徑的路徑
        _, _, bbox, points, label, _, _ = item.split('-')
        points = points.split('_')
        points = [_.split('&') for _ in points]
        tmp = points[-2:]+points[:2]
        points = []
        for point in tmp:
            points.append([int(_) for _ in point])
        label = label.split('_')
        con = con_list[int(label[0])]
        words = [words_list[int(_)] for _ in label[1:]]
        label = con+''.join(words)
        line = new_path+'\t'+'[{"transcription": "%s", "points": %s}]' % (' ', str(points))
        line = line[:]+'\n'
        total.append(line)

random.shuffle(total)

with open('/home/work/data/train.txt', 'w', encoding='UTF-8') as f:
    for line in total[:-200]:
        f.write(line)

with open('/home/work/data/dev.txt', 'w', encoding='UTF-8') as f:
    for line in total[-200:]:
        f.write(line)

檢查data下的兩個txt檔案

第三步：配置環境

1.升級PaddlePaddle

!pip install paddlepaddle-gpu==2.2.1.post101 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

2.下載PaddleOCR

!git clone https://gitee.com/PaddlePaddle/PaddleOCR.git

3.下載預訓練模型

cd /home/work/PaddleOCR

!wget -P ./pretrain_models/ https://paddleocr.bj.bcebos.com/ch_models/ch_det_mv3_db.tar!wget -P ./pretrain_models/ https://paddleocr.bj.bcebos.com/rec_mv3_tps_bilstm_attn.tar

cd pretrain_models

!tar -xf ch_det_mv3_db.tar && rm -rf ch_det_mv3_db.tar!tar -xf rec_mv3_tps_bilstm_attn.tar && rm -rf rec_mv3_tps_bilstm_attn.tar

第四步：保存Notebook并關閉、停止運行

Day02

第一步：重新安裝環境

1.啟動Notebook并打開

2.重新執行以下安裝命令

第二步：安裝PaddleOCR相關依賴檔案

1.修改requirements檔案

洗掉opencv-contrib-python==4.4.0.46

2.執行以下兩個安裝命令

cd /home/work/PaddleOCR

!pip install -r requirements.txt

!pip install opencv-contrib-python==4.2.0.32

第三步：修改模型訓練的yml檔案

進入路徑PaddleOCR/configs/det/

打開det_mv3_db.yml

1.修改模型路徑和保存路徑

2.修改訓練資料的路徑

訓練集：

驗證集：

3.設定訓練引數

epoch數：

batch_size：

第四步：模型訓練

CUDA_VISIBLE_DEVICES=0!python3 tools/train.py -c configs/det/det_mv3_db.yml

第五步：保存Notebook并關閉、停止運行

Day03

第一步：重新安裝環境

1.啟動Notebook并打開

2.重新執行以下安裝命令

升級PaddlePaddle

安裝相關依賴

第二步：匯出文字檢測模型

!python3 /home/work/PaddleOCR/tools/export_model.py \        -c /home/work/PaddleOCR/configs/det/det_mv3_db.yml \        -o Global.checkpoints=/home/work/PaddleOCR/output/db_mv3/best_accuracy \        Global.save_inference_dir=/home/work/PaddleOCR/inference/

第三步：下載安裝文字識別模型

!wget https://paddleocr.bj.bcebos.com/dygraph_v2.0/ch/ch_ppocr_server_v2.0_rec_infer.tar!tar -xf ch_ppocr_server_v2.0_rec_infer.tar -C inference

第四步：模型預測

1.上傳一張車牌圖片作為預測圖片

上傳至home/work根目錄，命名為test.jpg

2.執行預測命令

!python /home/work/PaddleOCR/tools/infer/predict_system.py \
--image_dir="/home/work/test.jpg" \    --det_model_dir="/home/work/PaddleOCR/inference/" \    --rec_model_dir="/home/work/PaddleOCR/inference/ch_ppocr_server_v2.0_rec_infer/" \    --use_gpu False