文章目录
一、前言
PPOCRLabel
是一款适用于OCR领域的半自动化图形标注工具
,内置PP-OCR模型对数据自动标注
和重新识别
。使用Python3
和PyQT5
编写,支持矩形框标注
和四点标注
模式,导出格式可直接用于PaddleOCR检测和识别模型的训练。
由于PaddleOCR已经包含PPOCRLabel,可以直接运行,命令如下:
cd ./PPOCRLabel # 切换到PPOCRLabel目录
python PPOCRLabel.py --lang ch
点击自动标注后就能看到自动标注的结果,用户根据自己的需求微调和修改,非常简单。
二、安装与运行PPOCRLabel
PPOCRLabel 可通过whl包
与Python脚本
两种方式启动,whl包形式启动更加方便,python脚本启动便于二次开发
2.1 通过whl包安装与运行
-
Windows
pip install PPOCRLabel # 安装 PPOCRLabel --lang ch # 运行
注意:通过whl包安装PPOCRLabel会自动下载 paddleocr whl包,其中shapely依赖可能会出现 [winRrror 126] 找不到指定模块的问题。 的错误,建议从这里下载并安装
-
Ubuntu Linux
pip3 install PPOCRLabel pip3 install trash-cli PPOCRLabel --lang ch
-
MacOS
pip3 install PPOCRLabel pip3 install opencv-contrib-python-headless==4.2.0.32 # 如果下载过慢请添加"-i https://mirror.baidu.com/pypi/simple" PPOCRLabel --lang ch # 启动
亲测可用
2.2 本地构建whl包并安装
cd PaddleOCR/PPOCRLabel
python3 setup.py bdist_wheel
pip3 install dist/PPOCRLabel-1.0.2-py2.py3-none-any.whl -i https://mirror.baidu.com/pypi/simple
2.3 通过Python脚本运行PPOCRLabel
如果您对PPOCRLabel文件有所更改,通过Python脚本运行会更加方面的看到更改的结果
cd ./PPOCRLabel # 切换到PPOCRLabel目录
python PPOCRLabel.py --lang ch
有时会因环境配置问题,导致无法正常启动。 建议使用上面的方案:通过whl包安装与运行
三、使用
PPOCRLabel 半自动标注工具 启动后的图示如下:
3.1 操作步骤
- 安装与运行:使用上述命令安装与运行程序。
- 打开文件夹:在菜单栏点击
“文件” - "打开目录"
选择待标记图片的文件夹[1]
. - 自动标注:点击
"自动标注"
,使用PPOCR超轻量模型对图片文件名前图片状态[2]
为 “X” 的图片进行自动标注。 - 手动标注:点击
“矩形标注”
(推荐直接在英文模式下点击键盘中的 “W”),用户可对当前图片中模型未检出的部分进行手动绘制标记框。点击键盘Q,则使用四点标注模式(或点击“编辑” - “四点标注”
),用户依次点击4个点后,双击左键表示标注完成。 - 标记框绘制完成后,用户点击
“确认”
,检测框会先被预分配一个“待识别”
标签。 - 重新识别:将图片中的所有检测画绘制/调整完成后,点击
“重新识别”
,PPOCR模型会对当前图片中的所有检测框重新识别[3]
。 - 内容更改:双击识别结果,对不准确的识别结果进行手动更改。
- 确认标记:点击
“确认”
,图片状态切换为 “√”,跳转至下一张。 - 删除:点击
“删除图像”
,图片将会被删除至回收站。 - 导出结果:用户可以通过菜单中
“文件-导出标记结果”
手动导出,同时也可以点击“文件 - 自动导出标记结果”
开启自动导出。手动确认过的标记将会被存放在所打开图片文件夹下的Label.txt中。在菜单栏点击“文件” - "导出识别结果"
后,会将此类图片的识别训练数据保存在crop_img
文件夹下,识别标签保存在rec_gt.txt
中[4]
。
3.2 注意事项
对如上1,2,3,4位置 处的解释
-
[1]
PPOCRLabel以文件夹为基本标记单位,打开待标记的图片文件夹后,不会在窗口栏中显示图片,而是在点击 “选择文件夹” 之后直接将文件夹下的图片导入到程序中。 -
[2]
图片状态表示本张图片用户是否手动保存过,未手动保存过即为 “X”,手动保存过为 “√”。点击 “自动标注”按钮后,PPOCRLabel不会对状态为 “√” 的图片重新标注。 -
[3]
点击“重新识别”后,模型会对图片中的识别结果进行覆盖。因此如果在此之前手动更改过识别结果,有可能在重新识别后产生变动。 -
[4]
PPOCRLabel产生的文件放置于标记图片文件夹下,包括一下几种,请勿手动更改其中内容,否则会引起程序出现异常。
四、说明
4.1 内置模型
- 默认模型:PPOCRLabel默认使用PaddleOCR中的中英文超轻量OCR模型,支持中英文与数字识别,多种语言检测。
- 模型语言切换:用户可通过菜单栏中 “PaddleOCR” - “选择模型” 切换内置模型语言,目前支持的语言包括法文、德文、韩文、日文。具体模型下载链接可参考PaddleOCR模型列表.
- 自定义模型:如果用户想将内置模型更换为自己的推理模型,可根据自定义模型代码使用,通过修改PPOCRLabel.py中针对PaddleOCR类的实例化,通过修改PPOCRLabel.py中针对PaddleOCR类的实例化) 实现,例如指定检测模型:
self.ocr = PaddleOCR(det=True, cls=True, use_gpu=gpu, lang=lang)
,在det_model_dir
中传入 自己的模型即可。
4.2 导出标记结果
针对部分难以识别的数据,通过在识别结果的复选框中取消勾选相应的标记,其识别结果不会被导出。被取消勾选的识别结果在标记文件 label.txt
中的 difficult
变量保存为 True
。
注意:识别结果中的复选框状态仍需用户手动点击确认后才能保留
导出的文件目录如下:
文件名 | 说明 |
---|---|
Label.txt | 检测标签,可直接用于PPOCR检测模型训练。用户每确认5张检测结果后,程序会进行自动写入。当用户关闭应用程序或切换文件路径后同样会进行写入。 |
fileState.txt | 图片状态标记文件,保存当前文件夹下已经被用户手动确认过的图片名称。 |
Cache.cach | 缓存文件,保存模型自动识别的结果。 |
rec_gt.txt | 识别标签。可直接用于PPOCR识别模型训练。需用户手动点击菜单栏“文件” - "导出识别结果"后产生。 |
crop_img | 识别数据。按照检测框切割后的图片。与rec_gt.txt同时产生。 |
tableRec_excel_output | 表格识别生成的excel文件 |
annotation.json | 导出的表格Json标注数据 。 |
4.3 数据集划分
在终端中输入以下命令执行数据集划分脚本:
cd ./PPOCRLabel # 将目录切换到PPOCRLabel文件夹下
python gen_ocr_train_val_test.py --trainValTestRatio 6:2:2 --datasetRootPath ../train_data
参数说明:
-
trainValTestRatio
是训练集、验证集、测试集的图像数量划分比例,根据实际情况设定,默认是6:2:2
-
datasetRootPath
是PPOCRLabel标注的完整数据集存放路径。默认路径是PaddleOCR/train_data
分割数据集前应有如下结构:|-train_data |-crop_img |- word_001_crop_0.png |- word_002_crop_0.jpg |- word_003_crop_0.jpg | ... | Label.txt | rec_gt.txt |- word_001.png |- word_002.jpg |- word_003.jpg | ...
4.4 错误提示
-
如果同时使用whl包安装了paddleocr,其优先级大于通过paddleocr.py调用PaddleOCR类,whl包未更新时会导致程序异常。
-
PPOCRLabel不支持对中文文件名的图片进行自动标注。
-
针对Linux用户:如果您在打开软件过程中出现
objc[XXXXX]
开头的错误,证明您的opencv版本太高,建议安装4.2版本:pip install opencv-python==4.2.0.32
-
如果出现
Missing string id
开头的错误,需要重新编译资源:pyrcc5 -o libs/resources.py resources.qrc
-
如果出现
module 'cv2' has no attribute 'INTER_NEAREST'
错误,需要首先删除所有opencv相关包,然后重新安装4.2.0.32版本的headless opencv
pip install opencv-contrib-python-headless==4.2.0.32
五、参考
https://zhuanlan.zhihu.com/p/498096220
https://www.cnblogs.com/zwbsoft/p/16331779.html