detección de texto de entrenamiento
Descargue el modelo de preentrenamiento y colóquelo en pretrain_models y descomprímalo para encontrar el archivo de configuración correspondiente al modelo de preentrenamiento, por ejemplo: configs/det/ch_ppocr_v2.0/ch_det_res18_db_v2.0.yml. Modificar la ruta de tren y val:
Global:
use_gpu: true
epoch_num: 1200
log_smooth_window: 20
print_batch_step: 2
save_model_dir: ./output/ch_db_res18/
save_epoch_step: 1200
# evaluation is run every 5000 iterations after the 4000th iteration
eval_batch_step: [0, 10]
Train:
dataset:
name: SimpleDataSet
data_dir: /home/data/det_data/
label_file_list:
- /home/data/det_data/det_train_label.txt
Eval:
dataset:
name: SimpleDataSet
data_dir: /home/data/det_data/
label_file_list:
- /home/data/det_data/det_val_label.txt
Empezar a entrenar:
python tools/train.py -c configs/det/ch_ppocr_v2.0/ch_det_res18_db_v2.0.yml -o Global.pretrained_model=pretrain_models/ch_ppocr_server_v2.0_det_train/best_accuracy \
Global.epoch_num=50 Global.save_epoch_step=20 Global.save_model_dir=output/det/ Train.loader.batch_size_per_card=8 Train.loader.num_workers=2
# 断点重开
python tools/train.py -c configs/det/ch_ppocr_v2.0/ch_det_res18_db_v2.0.yml -o Global.checkpoints=output/det/latest.pdparams \
Global.epoch_num=50 Global.save_epoch_step=20 Global.save_model_dir=output/det/ Train.loader.batch_size_per_card=8 Train.loader.num_workers=2
Los modelos se almacenan en output/det/:
Transferir al modelo de inferencia:
python tools/export_model.py -c configs/det/ch_ppocr_v2.0/ch_det_res18_db_v2.0.yml -o Global.pretrained_model=output/det/best_accuracy Global.save_inference_dir=inference/det/
Los modelos se almacenan en inference/det/:
Transferir al modelo onnx:
paddle2onnx --model_dir inference/det/ --model_filename inference.pdmodel --params_filename inference.pdiparams \
--save_file onnx_model/det.onnx --opset_version 10 --input_shape_dict="{'x':[-1,3,-1,-1]}" --enable_onnx_checker True
Los modelos se almacenan en onnx_model
Entrenar un Clasificador de Orientación
Descargue el modelo de preentrenamiento y colóquelo en pretrain_models y descomprímalo para encontrar el archivo de configuración correspondiente al modelo de preentrenamiento, por ejemplo: configs/cls/cls_mv3.yml. Modificar la ruta de tren y val:
Global:
use_gpu: true
epoch_num: 100
log_smooth_window: 20
print_batch_step: 10
save_model_dir: ./output/cls/mv3/
save_epoch_step: 3
# evaluation is run every 5000 iterations after the 4000th iteration
eval_batch_step: [0, 10]
Train:
dataset:
name: SimpleDataSet
data_dir: /home/data/cls_data/
label_file_list:
- /home/data/cls_data/cls_train_label.txt
Eval:
dataset:
name: SimpleDataSet
data_dir: /home/data/cls_data/
label_file_list:
- /home/data/cls_data/cls_val_label.txt
Empezar a entrenar:
python tools/train.py -c configs/cls/cls_mv3.yml -o Global.pretrained_model=pretrain_models/ch_ppocr_mobile_v2.0_cls_train/best_accuracy \
Global.epoch_num=50 Global.save_epoch_step=20 Global.save_model_dir=output/cls/ Train.loader.batch_size_per_card=8 Train.loader.num_workers=2
Los modelos se almacenan en output/cls/:
Transferir al modelo de inferencia:
python tools/export_model.py -c configs/cls/cls_mv3.yml -o Global.pretrained_model=output/cls/best_accuracy Global.save_inference_dir=inference/cls/
Los modelos se almacenan en inference/det/:
Transferir al modelo onnx:
paddle2onnx --model_dir inference/cls/ --model_filename inference.pdmodel --params_filename inference.pdiparams \
--save_file onnx_model/cls.onnx --opset_version 10 --input_shape_dict="{'x':[-1,3,-1,-1]}" --enable_onnx_checker True
Los modelos se almacenan en onnx_model
entrenamiento de reconocimiento de texto
Descargue el modelo de preentrenamiento y colóquelo en pretrain_models y descomprímalo para encontrar el archivo de configuración correspondiente al modelo de preentrenamiento, por ejemplo: configs/rec/ch_ppocr_v2.0/rec_chinese_common_train_v2.0.yml. Modifique la ruta de Train y val, así como la ruta del diccionario (aquí el diccionario usa el valor predeterminado)
Global:
use_gpu: true
epoch_num: 500
log_smooth_window: 20
print_batch_step: 10
save_model_dir: ./output/rec_chinese_common_v2.0
save_epoch_step: 3
# evaluation is run every 5000 iterations after the 4000th iteration
eval_batch_step: [0, 10]
Train:
dataset:
name: SimpleDataSet
data_dir: /home/data/res_data/
label_file_list: ["/home/data/res_data/res_train_label.txt"]
Eval:
dataset:
name: SimpleDataSet
data_dir: /home/data/res_data/
label_file_list: ["/home/data/res_data/res_val_label.txt"]
Empezar a entrenar:
python tools/train.py -c configs/rec/ch_ppocr_v2.0/rec_chinese_common_train_v2.0.yml -o Global.pretrained_model=pretrain_models/ch_ppocr_server_v2.0_rec_train/best_accuracy \
Global.character_dict_path=ppocr/utils/ppocr_keys_v1.txt Global.epoch_num=50 Global.save_epoch_step=20 Global.save_model_dir=output/rec/ \
Train.loader.batch_size_per_card=8 Train.loader.num_workers=2
Los modelos se almacenan en output/rec/:
Transferir al modelo de inferencia:
python tools/export_model.py -c configs/rec/ch_ppocr_v2.0/rec_chinese_common_train_v2.0.yml -o Global.pretrained_model=output/rec/best_accuracy \
Global.save_inference_dir=inference/rec/ Global.character_dict_path=ppocr/utils/ppocr_keys_v1.txt
Los modelos se almacenan en inference/rec/:
Transferir al modelo onnx:
paddle2onnx --model_dir inference/rec/ --model_filename inference.pdmodel --params_filename inference.pdiparams \
--save_file onnx_model/rec.onnx --opset_version 10 --input_shape_dict="{'x':[-1,3,-1,-1]}" --enable_onnx_checker True
Los modelos se almacenan en onnx_model
modelo de razonamiento
Utilice el modelo de inferencia entrenado para la inferencia:
python tools/infer/predict_system.py --image_dir doc/imgs/00111002.jpg \
--det_model_dir inference/det/ \
--rec_model_dir inference/rec/ \
--cls_model_dir inference/cls/ \
--use_angle_cls True \
--use_space_char True
Use el onnx entrenado para la inferencia:
Puede modificar input_size del modelo onnx según sea necesario y colocar el modelo modificado en onnx_inference:
python tools/infer/predict_system.py --use_gpu=False --use_onnx=True \
--det_model_dir=onnx_inference/det.onnx \
--rec_model_dir=onnx_inference/rec.onnx \
--cls_model_dir=onnx_inference/cls.onnx \
--image_dir=doc/imgs/00111002.jpg \
--rec_char_dict_path=ppocr/utils/ppocr_keys_v1.txt