entrenamiento paddle ocr

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