OCR -- 文本識別 -- 理論篇
本章將詳細介紹如何基于PaddleOCR完成CRNN文本識別模型的搭建、訓練、評估和預測，資料集采用 icdar 2015，其中訓練集有4468張，測驗集有2077張，
CRNN是基于CTC的演算法，CRNN是較早被提出也是目前工業界應用較多的方法，主要用于識別規則文本，有效快的預測速度，并且因為序列不對齊，不受長度的影響，所以在長文本上有很好的預測效果，中文演算法里的首選
預測原理詳解
2. 預測原理詳解
第一節中 paddleocr 加載訓練好的 CRNN 識別模型進行預測，本節將詳細介紹 CRNN 的原理及流程，
2.1 所屬類別
CRNN 是基于CTC的演算法，在理論部分介紹的分類圖中，處在如下位置，可以看出CRNN主要用于解決規則文本，基于CTC的演算法有較快的預測速度并且很好的適用長文本，因此CRNN是PPOCR選擇的中文識別演算法，
2.2 演算法詳解
CRNN 的網路結構體系如下所示，從下往上分別為卷積層、遞回層和轉錄層三部分：
1)backbone：
卷積網路作為底層的骨干網路，用于從輸入影像中提取特征序列，由于 conv、max-pooling、elementwise 和激活函式都作用在區域區域上，所以它們是平移不變的，因此，特征映射的每一列對應于原始影像的一個矩形區域(稱為感受野)，并且這些矩形區域與它們在特征映射上對應的列從左到右的順序相同，由于CNN需要將輸入的影像縮放到固定的尺寸以滿足其固定的輸入維數，因此它不適合長度變化很大的序列物件，為了更好的支持變長序列，CRNN將backbone最后一層輸出的特征向量送到了RNN層，轉換為序列特征，
2)neck:
遞回層，在卷積網路的基礎上，構建遞回網路，將影像特征轉換為序列特征，預測每個幀的標簽分布，
RNN具有很強的捕獲序列背景關系資訊的能力，使用背景關系線索進行基于影像的序列識別比單獨處理每個像素更有效，以場景文本識別為例，寬字符可能需要幾個連續的幀來充分描述，此外，有些歧義字符在觀察其背景關系時更容易區分，其次，RNN可以將誤差差分反向傳播回卷積層，使網路可以統一訓練，第三，RNN能夠對任意長度的序列進行操作，解決了文本圖片變長的問題，CRNN使用雙層LSTM作為遞回層，解決了長序列訓練程序中的梯度消失和梯度爆炸問題，
3)head:
轉錄層，通過全連接網路和softmax激活函式，將每幀的預測轉換為最終的標簽序列，最后使用 CTC Loss 在無需序列對齊的情況下，完成CNN和RNN的聯合訓練，CTC 有一套特別的合并序列機制，LSTM輸出序列后，需要在時序上分類得到預測結果，可能存在多個時間步對應同一個類別，因此需要對相同結果進行合并，為避免合并本身存在的重復字符，CTC 引入了一個 blank 字符插入在重復字符之間，
2.2 代碼實作
整個網路結構非常簡潔，代碼實作也相對簡單，可以跟隨預測流程依次搭建模塊，本節需要完成：資料輸入、backbone搭建、neck搭建、head搭建，
【資料輸入】
資料送入網路前需要縮放到統一尺寸(3,32,320)【英文一般是（3,32,100)，高度 32 效果比較好，】，并完成歸一化處理，這里省略掉訓練時需要的資料增強部分，以單張圖為例展示預處理的必須步驟（原始碼位置）：
中文字符，長、寬比，1:1， 10倍 320，
import cv2
import math
import numpy as np
def resize_norm_img(img):
"""
資料縮放和歸一化
:param img: 輸入圖片
"""
# 默認輸入尺寸 英文為 (3,32,100)
imgC = 3
imgH = 32 # 高度 32 效果比較好
imgW = 320 # 中文每個字長寬比為1:1，防止長寬比在resize后被壓縮過小或拉伸過大，識別大概10個字左右，所以寬度 10倍 = 320
# 圖片的真實高寬
h, w = img.shape[:2]
# 圖片真實長寬比
ratio = w / float(h)
# 按比例縮放
if math.ceil(imgH * ratio) > imgW:
# 如大于默認寬度，則寬度為imgW
resized_w = imgW
else:
# 如小于默認寬度則以圖片真實寬為準
resized_w = int(math.ceil(imgH * ratio))
# 縮放
resized_image = cv2.resize(img, (resized_w, imgH))
resized_image = resized_image.astype('float32')
# 歸一化
resized_image = resized_image.transpose((2, 0, 1)) / 255
resized_image -= 0.5
resized_image /= 0.5
# 對寬度不足的位置，補0
padding_im = np.zeros((imgC, imgH, imgW), dtype=np.float32)
padding_im[:, :, 0:resized_w] = resized_image
# 轉置 padding 后的圖片用于可視化
draw_img = padding_im.transpose((1,2,0))
return padding_im, draw_img
【網路結構】
- backbone
PaddleOCR 使用 MobileNetV3 作為骨干網路，組網順序與網路結構一致，首先定義網路中的公共模塊(原始碼位置)：ConvBNLayer、ResidualUnit、make_divisible
import paddle
import paddle.nn as nn
import paddle.nn.functional as F
class ConvBNLayer(nn.Layer):
def __init__(self,
in_channels,
out_channels,
kernel_size,
stride,
padding,
groups=1,
if_act=True,
act=None):
"""
卷積BN層
:param in_channels: 輸入通道數
:param out_channels: 輸出通道數
:param kernel_size: 卷積核尺寸
:parma stride: 步長大小
:param padding: 填充大小
:param groups: 二維卷積層的組數
:param if_act: 是否添加激活函式
:param act: 激活函式
"""
super(ConvBNLayer, self).__init__()
self.if_act = if_act
self.act = act
self.conv = nn.Conv2D(
in_channels=in_channels,
out_channels=out_channels,
kernel_size=kernel_size,
stride=stride,
padding=padding,
groups=groups,
bias_attr=False)
self.bn = nn.BatchNorm(num_channels=out_channels, act=None)
def forward(self, x):
# conv層
x = self.conv(x)
# batchnorm層
x = self.bn(x)
# 是否使用激活函式
if self.if_act:
if self.act == "relu":
x = F.relu(x)
elif self.act == "hardswish":
x = F.hardswish(x)
else:
print("The activation function({}) is selected incorrectly.".
format(self.act))
exit()
return x
class SEModule(nn.Layer):
def __init__(self, in_channels, reduction=4):
"""
SE模塊
:param in_channels: 輸入通道數
:param reduction: 通道縮放率
"""
super(SEModule, self).__init__()
self.avg_pool = nn.AdaptiveAvgPool2D(1)
self.conv1 = nn.Conv2D(
in_channels=in_channels,
out_channels=in_channels // reduction,
kernel_size=1,
stride=1,
padding=0)
self.conv2 = nn.Conv2D(
in_channels=in_channels // reduction,
out_channels=in_channels,
kernel_size=1,
stride=1,
padding=0)
def forward(self, inputs):
# 平均池化
outputs = self.avg_pool(inputs)
# 第一個卷積層
outputs = self.conv1(outputs)
# relu激活函式
outputs = F.relu(outputs)
# 第二個卷積層
outputs = self.conv2(outputs)
# hardsigmoid 激活函式
outputs = F.hardsigmoid(outputs, slope=0.2, offset=0.5)
return inputs * outputs
class ResidualUnit(nn.Layer):
def __init__(self,
in_channels,
mid_channels,
out_channels,
kernel_size,
stride,
use_se,
act=None):
"""
殘差層
:param in_channels: 輸入通道數
:param mid_channels: 中間通道數
:param out_channels: 輸出通道數
:param kernel_size: 卷積核尺寸
:parma stride: 步長大小
:param use_se: 是否使用se模塊
:param act: 激活函式
"""
super(ResidualUnit, self).__init__()
self.if_shortcut = stride == 1 and in_channels == out_channels
self.if_se = use_se
self.expand_conv = ConvBNLayer(
in_channels=in_channels,
out_channels=mid_channels,
kernel_size=1,
stride=1,
padding=0,
if_act=True,
act=act)
self.bottleneck_conv = ConvBNLayer(
in_channels=mid_channels,
out_channels=mid_channels,
kernel_size=kernel_size,
stride=stride,
padding=int((kernel_size - 1) // 2),
groups=mid_channels,
if_act=True,
act=act)
if self.if_se:
self.mid_se = SEModule(mid_channels)
self.linear_conv = ConvBNLayer(
in_channels=mid_channels,
out_channels=out_channels,
kernel_size=1,
stride=1,
padding=0,
if_act=False,
act=None)
def forward(self, inputs):
x = self.expand_conv(inputs)
x = self.bottleneck_conv(x)
if self.if_se:
x = self.mid_se(x)
x = self.linear_conv(x)
if self.if_shortcut:
x = paddle.add(inputs, x)
return x
def make_divisible(v, divisor=8, min_value=https://www.cnblogs.com/vipsoft/p/None):"""
確保被8整除
"""
if min_value is None:
min_value = https://www.cnblogs.com/vipsoft/p/divisor
new_v = max(min_value, int(v + divisor / 2) // divisor * divisor)
if new_v < 0.9 * v:
new_v += divisor
return new_v
利用公共模塊搭建骨干網路
class MobileNetV3(nn.Layer):
def __init__(self,
in_channels=3,
model_name='small',
scale=0.5,
small_stride=None,
disable_se=False,
**kwargs):
super(MobileNetV3, self).__init__()
self.disable_se = disable_se
small_stride = [1, 2, 2, 2]
if model_name == "small":
cfg = [
# k, exp, c, se, nl, s,
[3, 16, 16, True, 'relu', (small_stride[0], 1)],
[3, 72, 24, False, 'relu', (small_stride[1], 1)],
[3, 88, 24, False, 'relu', 1],
[5, 96, 40, True, 'hardswish', (small_stride[2], 1)],
[5, 240, 40, True, 'hardswish', 1],
[5, 240, 40, True, 'hardswish', 1],
[5, 120, 48, True, 'hardswish', 1],
[5, 144, 48, True, 'hardswish', 1],
[5, 288, 96, True, 'hardswish', (small_stride[3], 1)],
[5, 576, 96, True, 'hardswish', 1],
[5, 576, 96, True, 'hardswish', 1],
]
cls_ch_squeeze = 576
else:
raise NotImplementedError("mode[" + model_name +
"_model] is not implemented!")
supported_scale = [0.35, 0.5, 0.75, 1.0, 1.25]
assert scale in supported_scale, \
"supported scales are {} but input scale is {}".format(supported_scale, scale)
inplanes = 16
# conv1
self.conv1 = ConvBNLayer(
in_channels=in_channels,
out_channels=make_divisible(inplanes * scale),
kernel_size=3,
stride=2,
padding=1,
groups=1,
if_act=True,
act='hardswish')
i = 0
block_list = []
inplanes = make_divisible(inplanes * scale)
for (k, exp, c, se, nl, s) in cfg:
se = se and not self.disable_se
block_list.append(
ResidualUnit(
in_channels=inplanes,
mid_channels=make_divisible(scale * exp),
out_channels=make_divisible(scale * c),
kernel_size=k,
stride=s,
use_se=se,
act=nl))
inplanes = make_divisible(scale * c)
i += 1
self.blocks = nn.Sequential(*block_list)
self.conv2 = ConvBNLayer(
in_channels=inplanes,
out_channels=make_divisible(scale * cls_ch_squeeze),
kernel_size=1,
stride=1,
padding=0,
groups=1,
if_act=True,
act='hardswish')
self.pool = nn.MaxPool2D(kernel_size=2, stride=2, padding=0)
self.out_channels = make_divisible(scale * cls_ch_squeeze)
def forward(self, x):
x = self.conv1(x)
x = self.blocks(x)
x = self.conv2(x)
x = self.pool(x)
return x
# 圖片輸入骨干網路
backbone = MobileNetV3()
# 將numpy資料轉換為Tensor
input_data = https://www.cnblogs.com/vipsoft/p/paddle.to_tensor([padding_im])
# 骨干網路輸出
feature = backbone(input_data)
# 查看feature map的緯度
print("backbone output:", feature.shape)
- neck
neck 部分將backbone輸出的視覺特征圖轉換為1維向量輸入送到 LSTM 網路中，輸出序列特征（ 原始碼位置 ）：
class Im2Seq(nn.Layer):
def __init__(self, in_channels, **kwargs):
"""
影像特征轉換為序列特征
:param in_channels: 輸入通道數
"""
super().__init__()
self.out_channels = in_channels
def forward(self, x):
B, C, H, W = x.shape
assert H == 1
x = x.squeeze(axis=2)
x = x.transpose([0, 2, 1]) # (NWC)(batch, width, channels)
return x
class EncoderWithRNN(nn.Layer):
def __init__(self, in_channels, hidden_size):
super(EncoderWithRNN, self).__init__()
self.out_channels = hidden_size * 2
self.lstm = nn.LSTM(
in_channels, hidden_size, direction='bidirectional', num_layers=2)
def forward(self, x):
x, _ = self.lstm(x)
return x
class SequenceEncoder(nn.Layer):
def __init__(self, in_channels, hidden_size=48, **kwargs):
"""
序列編碼
:param in_channels: 輸入通道數
:param hidden_size: 隱藏層size
"""
super(SequenceEncoder, self).__init__()
self.encoder_reshape = Im2Seq(in_channels)
self.encoder = EncoderWithRNN(
self.encoder_reshape.out_channels, hidden_size)
self.out_channels = self.encoder.out_channels
def forward(self, x):
x = self.encoder_reshape(x)
x = self.encoder(x)
return x
neck = SequenceEncoder(in_channels=288)
sequence = neck(feature)
print("sequence shape:", sequence.shape) # sequence shape:[1, 80, 96] 96 = hidden_size=48 * 2
- head
預測頭部分由全連接層和softmax組成，用于計算序列特征時間步上的標簽概率分布，本示例僅支持模型識別小寫英文字母和數字（26+10）36個類別（原始碼位置）:
class CTCHead(nn.Layer):
def __init__(self,
in_channels,
out_channels,
**kwargs):
"""
CTC 預測層
:param in_channels: 輸入通道數
:param out_channels: 輸出通道數
"""
super(CTCHead, self).__init__()
self.fc = nn.Linear(
in_channels,
out_channels)
# 思考：out_channels 應該等于多少？ fc(x) 的 out_channels = 37 因為有一個空字符 = （26+10）36個類別 + 1 = 37
self.out_channels = out_channels
def forward(self, x):
predicts = self.fc(x)
result = predicts
if not self.training:
predicts = F.softmax(predicts, axis=2)
result = predicts
return result
在網路隨機初始化的情況下，輸出結果是無序的，經過SoftMax之后，可以得到各時間步上的概率最大的預測結果，其中：pred_id 代表預測的標簽ID，pre_scores 代表預測結果的置信度：
ctc_head = CTCHead(in_channels=96, out_channels=37)
predict = ctc_head(sequence)
print("predict shape:", predict.shape)
result = F.softmax(predict, axis=2)
pred_id = paddle.argmax(result, axis=2)
pred_socres = paddle.max(result, axis=2)
print("pred_id:", pred_id)
print("pred_scores:", pred_socres)
- 后處理
識別網路最侄訓傳的結果是各個時間步上的最大索引值，最終期望的輸出是對應的文字結果，因此CRNN的后處理是一個解碼程序，主要邏輯如下：
def decode(text_index, text_prob=None, is_remove_duplicate=False):
""" convert text-index into text-label. """
character = "-0123456789abcdefghijklmnopqrstuvwxyz" # 沒有從字典取字符，因為比較簡單，就直接寫在這了
result_list = []
# 忽略tokens [0] 代表ctc中的blank位
ignored_tokens = [0]
batch_size = len(text_index)
for batch_idx in range(batch_size):
char_list = []
conf_list = []
for idx in range(len(text_index[batch_idx])):
if text_index[batch_idx][idx] in ignored_tokens:
continue
# 合并blank之間相同的字符
if is_remove_duplicate:
# only for predict
if idx > 0 and text_index[batch_idx][idx - 1] == text_index[
batch_idx][idx]:
continue
# 將解碼結果存在char_list內
char_list.append(character[int(text_index[batch_idx][
idx])])
# 記錄置信度
if text_prob is not None:
conf_list.append(text_prob[batch_idx][idx])
else:
conf_list.append(1)
text = ''.join(char_list)
# 輸出結果
result_list.append((text, np.mean(conf_list)))
return result_list
以 head 部分隨機初始化預測出的結果為例，進行解碼得到：
pred_id = paddle.argmax(result, axis=2)
pred_socres = paddle.max(result, axis=2)
print(pred_id)
decode_out = decode(pred_id, pred_socres)
print("decode out:", decode_out)
上述步驟完成了網路的搭建，也實作了一個簡單的前向預測程序，
沒有經過訓練的網路無法正確預測結果，因此需要定義損失函式、優化策略，將整個網路run起來，下面將詳細介紹網路訓練原理，
3. 訓練原理詳解
3.1 準備訓練資料
PaddleOCR 支持兩種資料格式:
lmdb用于訓練以lmdb格式存盤的資料集(LMDBDataSet);通用資料用于訓練以文本檔案存盤的資料集(SimpleDataSet);
本次只介紹通用資料格式讀取
訓練資料的默認存盤路徑是 ./train_data, 執行以下命令解壓資料：
cd /home/aistudio/work/train_data/ && tar xf ic15_data.tar
解壓完成后，訓練圖片都在同一個檔案夾內，并有一個txt檔案（rec_gt_train.txt）記錄圖片路徑和標簽，txt檔案里的內容如下:
" 影像檔案名 影像標注資訊 "
train/word_1.png Genaxis Theatre
train/word_2.png [06]
...
注意： txt檔案中默認將圖片路徑和圖片標簽用 \t 分割，如用其他方式分割將造成訓練報錯，
資料集應有如下檔案結構：
|-train_data
|-ic15_data
|- rec_gt_train.txt
|- train
|- word_001.png
|- word_002.jpg
|- word_003.jpg
| ...
|- rec_gt_test.txt
|- test
|- word_001.png
|- word_002.jpg
|- word_003.jpg
| ...
確認組態檔中的資料路徑是否正確，以 rec_icdar15_train.yml為例：
Train:
dataset:
name: SimpleDataSet
# 訓練資料根目錄
data_dir: ./train_data/ic15_data/
# 訓練資料標簽
label_file_list: ["./train_data/ic15_data/rec_gt_train.txt"]
transforms:
- DecodeImage: # load image
img_mode: BGR
channel_first: False
- CTCLabelEncode: # Class handling label
- RecResizeImg:
image_shape: [3, 32, 100] # [3,32,320]
- KeepKeys:
keep_keys: ['image', 'label', 'length'] # dataloader will return list in this order
loader:
shuffle: True
batch_size_per_card: 256 # 第一次除錯可以改小一點，防止一起來就崩了
drop_last: True
num_workers: 8
use_shared_memory: False
Eval:
dataset:
name: SimpleDataSet
# 評估資料根目錄
data_dir: ./train_data/ic15_data
# 評估資料標簽
label_file_list: ["./train_data/ic15_data/rec_gt_test.txt"]
transforms:
- DecodeImage: # load image
img_mode: BGR
channel_first: False
- CTCLabelEncode: # Class handling label
- RecResizeImg:
image_shape: [3, 32, 100] # 要得訓練的設定值一致
- KeepKeys:
keep_keys: ['image', 'label', 'length'] # dataloader will return list in this order
loader:
shuffle: False
drop_last: False
batch_size_per_card: 256
num_workers: 4
use_shared_memory: False
3.2 資料預處理
送入網路的訓練資料，需要保證一個batch內維度一致，同時為了不同維度之間的特征在數值上有一定的比較性，需要對資料做統一尺度縮放和歸一化，
為了增加模型的魯棒性，抑制過擬合提升泛化性能，需要實作一定的資料增廣，
- 縮放和歸一化
第二節中已經介紹了相關內容，這是圖片送入網路之前的最后一步操作，呼叫 resize_norm_img 完成圖片縮放、padding和歸一化，
- 資料增廣
PaddleOCR中實作了多種資料增廣方式，如：顏色反轉、隨機切割、仿射變化、隨機噪聲等等，這里以簡單的隨機切割為例，更多增廣方式可參考：rec_img_aug.py
def get_crop(image):
"""
random crop
"""
import random
h, w, _ = image.shape
top_min = 1
top_max = 8
top_crop = int(random.randint(top_min, top_max))
top_crop = min(top_crop, h - 1)
crop_img = image.copy()
ratio = random.randint(0, 1)
if ratio:
crop_img = crop_img[top_crop:h, :, :]
else:
crop_img = crop_img[0:h - top_crop, :, :]
return crop_img
# 讀圖
raw_img = cv2.imread("/home/aistudio/work/word_1.png")
plt.figure()
plt.subplot(2,1,1)
# 可視化原圖
plt.imshow(raw_img)
# 隨機切割
crop_img = get_crop(raw_img)
plt.subplot(2,1,2)
# 可視化增廣圖
plt.imshow(crop_img)
plt.show()
3.3 訓練主程式
模型訓練的入口代碼是 train.py，它展示了訓練中所需的各個模塊： build dataloader, build post process, build model , build loss, build optim, build metric，將各部分串聯后即可開始訓練：
- 構建 dataloader
訓練模型需要將資料組成指定數目的 batch ，并在訓練程序中依次 yield 出來，本例中呼叫了 PaddleOCR 中實作的 SimpleDataSet
基于原始代碼稍作修改，其回傳單條資料的主要邏輯如下
def __getitem__(data_line, data_dir):
import os
mode = "train"
delimiter = '\t' # label 設定的時候，前面是圖片的路徑，所以要 \t 進行分隔后面真實的標簽
try:
substr = data_line.strip("\n").split(delimiter)
file_name = substr[0]
label = substr[1]
img_path = os.path.join(data_dir, file_name)
data = https://www.cnblogs.com/vipsoft/p/{'img_path': img_path, 'label': label}
if not os.path.exists(img_path):
raise Exception("{} does not exist!".format(img_path))
with open(data['img_path'], 'rb') as f:
img = f.read()
data['image'] = img
# 預處理操作，先注釋掉
# outs = transform(data, self.ops)
outs = data
except Exception as e:
print("When parsing line {}, error happened with msg: {}".format(
data_line, e))
outs = None
return outs
假設當前輸入的標簽為 train/word_1.png Genaxis Theatre, 訓練資料的路徑為 /home/aistudio/work/train_data/ic15_data/, 決議出的結果是一個字典，里面包含 img_path label image 三個欄位：
data_line = "train/word_1.png Genaxis Theatre"
data_dir = "/home/aistudio/work/train_data/ic15_data/"
item = __getitem__(data_line, data_dir)
print(item)
實作完單條資料回傳邏輯后，呼叫 padde.io.Dataloader 即可把資料組合成batch，具體可參考 build_dataloader
-
build model
build model 即搭建主要網路結構，具體細節如《2.3 代碼實作》所述，本節不做過多介紹，各模塊代碼可參考modeling
-
build loss
CRNN 模型的損失函式為 CTC loss, 飛槳集成了常用的 Loss 函式，只需呼叫實作即可：
import paddle.nn as nn
class CTCLoss(nn.Layer):
def __init__(self, use_focal_loss=False, **kwargs):
super(CTCLoss, self).__init__()
# blank 是 ctc 的無意義連接符
self.loss_func = nn.CTCLoss(blank=0, reduction='none')
def forward(self, predicts, batch):
if isinstance(predicts, (list, tuple)):
predicts = predicts[-1]
# 轉置模型 head 層的預測結果，沿channel層排列
predicts = predicts.transpose((1, 0, 2)) #[80,1,37]
N, B, _ = predicts.shape
preds_lengths = paddle.to_tensor([N] * B, dtype='int64')
labels = batch[1].astype("int32")
label_lengths = batch[2].astype('int64')
# 計算損失函式
loss = self.loss_func(predicts, labels, preds_lengths, label_lengths)
loss = loss.mean()
return {'loss': loss}
- build post process
具體細節同樣在《2.3 代碼實作》有詳細介紹，實作邏輯與之前一致，
- build optim
優化器使用 Adam , 同樣呼叫飛槳API： paddle.optimizer.Adam
- build metric
metric 部分用于計算模型指標，PaddleOCR的文本識別中，將整句預測正確判斷為預測正確，因此準確率計算主要邏輯如下：
def metric(preds, labels):
correct_num = 0
all_num = 0
norm_edit_dis = 0.0
for (pred), (target) in zip(preds, labels):
pred = pred.replace(" ", "") # 如果嚴格預測的話，把這代碼注釋掉，比較時，空格敏感的預測
target = target.replace(" ", "")
if pred == target:
correct_num += 1
all_num += 1
correct_num += correct_num
all_num += all_num
return {
'acc': correct_num / all_num,
}
preds = ["aaa", "bbb", "ccc", "123", "456"]
labels = ["aaa", "bbb", "ddd", "123", "444"]
acc = metric(preds, labels)
print("acc:", acc)
# 五個預測結果中,完全正確的有3個，因此準確率應為0.6
將以上各部分組合起來，即是完整的訓練流程：
def main(config, device, logger, vdl_writer):
# init dist environment
if config['Global']['distributed']:
dist.init_parallel_env()
global_config = config['Global']
# build dataloader
train_dataloader = build_dataloader(config, 'Train', device, logger)
if len(train_dataloader) == 0:
logger.error(
"No Images in train dataset, please ensure\n" +
"\t1. The images num in the train label_file_list should be larger than or equal with batch size.\n"
+
"\t2. The annotation file and path in the configuration file are provided normally."
)
return
if config['Eval']:
valid_dataloader = build_dataloader(config, 'Eval', device, logger)
else:
valid_dataloader = None
# build post process
post_process_class = build_post_process(config['PostProcess'],
global_config)
# build model
# for rec algorithm
if hasattr(post_process_class, 'character'):
char_num = len(getattr(post_process_class, 'character'))
if config['Architecture']["algorithm"] in ["Distillation",
]: # distillation model
for key in config['Architecture']["Models"]:
config['Architecture']["Models"][key]["Head"][
'out_channels'] = char_num
else: # base rec model
config['Architecture']["Head"]['out_channels'] = char_num
model = build_model(config['Architecture'])
if config['Global']['distributed']:
model = paddle.DataParallel(model)
# build loss
loss_class = build_loss(config['Loss'])
# build optim
optimizer, lr_scheduler = build_optimizer(
config['Optimizer'],
epochs=config['Global']['epoch_num'],
step_each_epoch=len(train_dataloader),
parameters=model.parameters())
# build metric
eval_class = build_metric(config['Metric'])
# load pretrain model
pre_best_model_dict = load_model(config, model, optimizer)
logger.info('train dataloader has {} iters'.format(len(train_dataloader)))
if valid_dataloader is not None:
logger.info('valid dataloader has {} iters'.format(
len(valid_dataloader)))
use_amp = config["Global"].get("use_amp", False)
if use_amp:
AMP_RELATED_FLAGS_SETTING = {
'FLAGS_cudnn_batchnorm_spatial_persistent': 1,
'FLAGS_max_inplace_grad_add': 8,
}
paddle.fluid.set_flags(AMP_RELATED_FLAGS_SETTING)
scale_loss = config["Global"].get("scale_loss", 1.0)
use_dynamic_loss_scaling = config["Global"].get(
"use_dynamic_loss_scaling", False)
scaler = paddle.amp.GradScaler(
init_loss_scaling=scale_loss,
use_dynamic_loss_scaling=use_dynamic_loss_scaling)
else:
scaler = None
# start train
program.train(config, train_dataloader, valid_dataloader, device, model,
loss_class, optimizer, lr_scheduler, post_process_class,
eval_class, pre_best_model_dict, logger, vdl_writer, scaler)
4. 完整訓練任務
4.1 啟動訓練
PaddleOCR 識別任務與檢測任務類似，是通過組態檔傳輸引數的，
要進行完整的模型訓練，首先需要下載整個專案并安裝相關依賴：
# 克隆PaddleOCR代碼
#!git clone https://gitee.com/paddlepaddle/PaddleOCR
# 修改代碼運行的默認目錄為 /home/aistudio/PaddleOCR
import os
os.chdir("/home/aistudio/PaddleOCR")
# 安裝PaddleOCR第三方依賴
!pip install -r requirements.txt
創建軟鏈，將訓練資料放在PaddleOCR專案下：
!ln -s /home/aistudio/work/train_data/ /home/aistudio/PaddleOCR/
下載預訓練模型：
為了加快收斂速度，建議下載訓練好的模型在 icdar2015 資料上進行 finetune
!cd PaddleOCR/
# 下載MobileNetV3的預訓練模型
!wget -nc -P ./pretrain_models/ https://paddleocr.bj.bcebos.com/dygraph_v2.0/en/rec_mv3_none_bilstm_ctc_v2.0_train.tar
# 解壓模型引數
!tar -xf pretrain_models/rec_mv3_none_bilstm_ctc_v2.0_train.tar && rm -rf pretrain_models/rec_mv3_none_bilstm_ctc_v2.0_train.tar
啟動訓練命令很簡單，指定好組態檔即可，另外在命令列中可以通過 -o 修改組態檔中的引數值，啟動訓練命令如下所示
其中：
Global.pretrained_model: 加載的預訓練模型路徑Global.character_dict_path： 字典路徑（這里只支持26個小寫字母+數字）Global.eval_batch_step： 評估頻率，[0,200] 從第0次開始計算，每200次評估一次Global.epoch_num： 總訓練輪數
# -o 修改默認的引數值，命令列修改優先級會更高
!python3 tools/train.py -c configs/rec/rec_icdar15_train.yml \
-o Global.pretrained_model=rec_mv3_none_bilstm_ctc_v2.0_train/best_accuracy \
Global.character_dict_path=ppocr/utils/ic15_dict.txt \
Global.eval_batch_step=[0,200] \
Global.epoch_num=40 \
Global.use_gpu=false
根據組態檔中設定的的 save_model_dir 欄位，會有以下幾種引數被保存下來：
output/rec/ic15
├── best_accuracy.pdopt # 每次評估時，拿到的最優評估結果
├── best_accuracy.pdparams
├── best_accuracy.states
├── config.yml # 命令列修改后的引數（當前訓練的引數）
├── iter_epoch_3.pdopt # 每3個epoch保存一次，會看到 epoch_3、epoch_6、epoch_9 訓練的中間狀態，可以在組態檔中修改保存的頻度
├── iter_epoch_3.pdparams
├── iter_epoch_3.states
├── latest.pdopt
├── latest.pdparams
├── latest.states
└── train.log
其中 best_accuracy.* 是評估集上的最優模型；iter_epoch_x.* 是以 save_epoch_step 為間隔保存下來的模型；latest.* 是最后一個epoch的模型，
總結：
如果需要訓練自己的資料需要修改：
- 訓練和評估資料路徑（必須）
- 字典路徑（必須）
- 預訓練模型 （可選）
- 學習率、image shape、網路結構（可選）
4.2 模型評估
評估資料集可以通過 configs/rec/rec_icdar15_train.yml 修改Eval中的 label_file_path 設定，
這里默認使用 icdar2015 的評估集，加載剛剛訓練好的模型權重：
!python tools/eval.py -c configs/rec/rec_icdar15_train.yml -o Global.checkpoints=output/rec/ic15/best_accuracy \
Global.character_dict_path=ppocr/utils/ic15_dict.txt
評估后，可以看到訓練模型在驗證集上的精度，
PaddleOCR支持訓練和評估交替進行, 可在 configs/rec/rec_icdar15_train.yml 中修改 eval_batch_step 設定評估頻率，默認每2000個iter評估一次，評估程序中默認將最佳acc模型，保存為 output/rec/ic15/best_accuracy ，
如果驗證集很大，測驗將會比較耗時，建議減少評估次數，或訓練完再進行評估，
4.3 預測
使用 PaddleOCR 訓練好的模型，可以通過以下腳本進行快速預測，
預測圖片：
默認預測圖片存盤在 infer_img 里，通過 -o Global.checkpoints 加載訓練好的引數檔案：
!python tools/infer_rec.py -c configs/rec/rec_icdar15_train.yml -o Global.checkpoints=output/rec/ic15/best_accuracy Global.character_dict_path=ppocr/utils/ic15_dict.txt
得到輸入影像的預測結果：
infer_img: doc/imgs_words_en/word_19.png
result: slow 0.8795223
原文：AI Studio學習『動手學OCR·十講』https://aistudio.baidu.com/aistudio/course/introduce/25207?sharedLesson=2077537&sharedType=2&sharedUserId=2631487&ts=1685512885510
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/554382.html
標籤：其他
下一篇：返回列表