PP-OCRv3进行OCR手写文字识别

baidu_huihui

于 2024-02-02 15:30:51 发布

阅读量227

点赞数

分类专栏：自然语言处理文章标签： PP-OCRv3 手写文字识别

原文链接：https://aistudio.baidu.com/projectdetail/4330587

版权

自然语言处理专栏收录该内容

6 篇文章 0 订阅

订阅专栏

本项目基于PP-OCRv3进行手写文字识别优化，通过本项目你可以掌握：

如何优化手写识别模型
使用PaddleOCR进行手写模型推理部署

1. 背景介绍

手写体在日常生活中较为常见，无论是记笔记，亦或是手写书信，再或是现如今出现的各种电子设备也都支持手写输入，或是触摸屏输入，手写体可以说是随处可见。手写体的自动识别功能对于保存手写体的内容是极为重要的。

example

手写体识别具有以下几个难点：

中文汉字字符级别的类别繁多；
手写体字符的书写随意性大, 缺乏规范性
不同书写人书写风格多样
中文汉字中存在很多相似字和易混淆的汉字对

以上难点对手写体自动识别都带来了很大的挑战。传统方法是基于投影法、连通域分析法等方法对文本行进行字符分割, 利用单字分类器对分割好的字符, 或利用滑动窗口按一定步长滑窗, 利用单字分类器对滑动窗口内的字符进行识别，但是这些方法的准确率有限，因此需要更为有效的方法来解决该问题。本项目通过计算机视觉中的OCR技术实现自动化的手写文字识别，具体地，本项目基于PP-OCRv3中英文超轻量模型进行优化，最终模型识别效果大大提升。

2. 快速体验

2.1 环境搭建

本项目基于PaddleOCR套件，以PP-OCRv3识别模型为基础，针对手写文字识别场景进行优化。

首先进行安装环境，命令如下：

In [ ]

# 首先git官方的PaddleOCR项目，安装需要的依赖
# 第一次运行打开该注释
# !git clone https://gitee.com/PaddlePaddle/PaddleOCR.git
%cd /home/aistudio/PaddleOCR
!pip install -r requirements.txt

2.2 模型推理

将下载或训练完成的模型放置在对应目录下即可完成模型推理。推理命令如下:

In [ ]

%cd /home/aistudio/PaddleOCR
# 推理预测
!python tools/infer/predict_rec.py --image_dir="train_data/handwrite/HWDB2.0Test_images/104-P16_4.jpg" --rec_model_dir="./inference/rec_ppocrv3/Student"

推理结果如下：

example

[2022/07/14 10:55:58] ppocr INFO: Predicts of train_data/handwrite/HWDB2.0Test_images/104-P16_4.jpg:('品结构,差异化的多品牌渗透使欧莱雅确立了其在中国化妆', 0.9904912114143372)

3. 数据准备

本项目使用公开的手写文本识别数据集，包含Chinese OCR, 中科院自动化研究所-手写中文数据集CASIA-HWDB2.x，以及由中科院手写数据和网上开源数据合并组合的数据集等，该项目已经挂载处理好的数据集，可直接下载使用进行训练。

In [ ]

%cd /home/aistudio/PaddleOCR

# 查看当前挂载的数据集目录
!ls /home/aistudio/data/
# 解压挂载的字符检测数据集到指定路径下
# !tar -xf /home/aistudio/data/data157646/hw_data.tar

4. 针对文字识别的优化

本部分基于PP-OCRv3的识别模型进行优化，关于PP-OCRv3的识别模型详细描述请参考PP-OCRv3。PP-OCRv3识别模型是基于自然场景文本数据训练出的模型，对于手写体的识别效果并不好，因此需要对其进行优化，优化方案如下：

基于PP-OCRv3的识别模型直接进行评估
基于PP-OCRv3的识别模型finetune

下面依次进行介绍：

4.1 基于PP-OCRv3的识别模型直接进行评估

下载预训练模型

首先下载需要的PP-OCRv3识别预训练模型，更多选择请自行下载其他的文字识别模型

In [ ]

%cd /home/aistudio/PaddleOCR
# 使用该指令下载需要的预训练模型
!wget -P ./pretrained_models/ https://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_rec_train.tar
# 解压预训练模型文件
!tar -xf ./pretrained_models/ch_PP-OCRv3_rec_train.tar -C pretrained_models

效果评估

使用下面命令来评估PP-OCRv3预训练模型的效果：

In [ ]

%cd /home/aistudio/PaddleOCR
# 评估预训练模型
!python tools/eval.py -c configs/rec/PP-OCRv3/ch_PP-OCRv3_rec_distillation.yml -o Global.pretrained_model="./pretrained_models/ch_PP-OCRv3_rec_train/best_accuracy"

评估结果如下：

[2022/07/14 10:49:52] ppocr INFO: metric eval ***************
[2022/07/14 10:49:52] ppocr INFO: acc:0.03724954461811258
[2022/07/14 10:49:52] ppocr INFO: norm_edit_dis:0.4859541065843199
[2022/07/14 10:49:52] ppocr INFO: Teacher_acc:0.0371584699368947
[2022/07/14 10:49:52] ppocr INFO: Teacher_norm_edit_dis:0.48718814890536477
[2022/07/14 10:49:52] ppocr INFO: fps:947.8562684823883

可以看出，直接加载预训练模型进行评估，效果较差，因为预训练模型并不是基于手写文字进行单独训练的，所以需要基于预训练模型进行finetune优化。

4.2 基于PP-OCRv3的识别模型finetune

修改配置文件

该方案使用configs/rec/PP-OCRv3/ch_PP-OCRv3_rec_distillation.yml配置文件，主要修改训练轮数和学习率参相关参数，设置预训练模型路径，设置数据集路径。另外，batch_size可根据自己机器显存大小进行调整。具体修改如下几个地方：

  epoch_num: 100 # 训练epoch数
  save_model_dir: ./output/ch_PP-OCR_v3_rec
  save_epoch_step: 10
  eval_batch_step: [0, 100] # 评估间隔，每隔100step评估一次
  pretrained_model: ./pretrained_models/ch_PP-OCRv3_rec_train/best_accuracy  # 预训练模型路径
  

  lr:
    name: Cosine # 修改学习率衰减策略为Cosine
    learning_rate: 0.0001 # 修改fine-tune的学习率
    warmup_epoch: 2 # 修改warmup轮数

Train:
  dataset:
    name: SimpleDataSet
    data_dir: ./train_data # 训练集图片路径
    ext_op_transform_idx: 1
    label_file_list: # 训练集标签
    - ./train_data/chineseocr-data/rec_hand_line_all_label_train.txt 
    - ./train_data/handwrite/HWDB2.0Train_label.txt
    - ./train_data/handwrite/HWDB2.1Train_label.txt
    - ./train_data/handwrite/HWDB2.2Train_label.txt
    - ./train_data/handwrite/hwdb_ic13/handwriting_hwdb_train_labels.txt
    - ./train_data/handwrite/HW_Chinese/train_hw.txt
    ratio_list:
    - 0.1
    - 1.0
    - 1.0
    - 1.0
    - 0.02
    - 1.0
  loader:
    shuffle: true
    batch_size_per_card: 64
    drop_last: true
    num_workers: 4
Eval:
  dataset:
    name: SimpleDataSet
    data_dir: ./train_data # 测试集图片路径
    label_file_list: # 测试集标签
    - ./train_data/chineseocr-data/rec_hand_line_all_label_val.txt 
    - ./train_data/handwrite/HWDB2.0Test_label.txt
    - ./train_data/handwrite/HWDB2.1Test_label.txt
    - ./train_data/handwrite/HWDB2.2Test_label.txt
    - ./train_data/handwrite/hwdb_ic13/handwriting_hwdb_val_labels.txt
    - ./train_data/handwrite/HW_Chinese/test_hw.txt
  loader:
    shuffle: false
    drop_last: false
    batch_size_per_card: 64
    num_workers: 4

由于数据集大多是长文本，因此需要注释掉下面的数据增广策略，以便训练出更好的模型。

- RecConAug:
    prob: 0.5
    ext_data_num: 2
    image_shape: [48, 320, 3]

开始训练

使用上面修改好的配置文件configs/rec/PP-OCRv3/ch_PP-OCRv3_rec_distillation.yml，预训练模型、数据集路径、学习率、训练轮数等都已经设置完毕后，使用下面命令开始训练：

In [3]

%cd /home/aistudio/PaddleOCR
# 开始训练识别模型
!python tools/train.py -c configs/rec/PP-OCRv3/ch_PP-OCRv3_rec_distillation.yml

效果评估 训练完成后，可以进行测试评估，评估命令如下：

In [5]

%cd /home/aistudio/PaddleOCR
# 评估finetune效果
!python tools/eval.py -c configs/rec/PP-OCRv3/ch_PP-OCRv3_rec_distillation.yml -o Global.pretrained_model="./output/ch_PP-OCR_v3_rec/best_accuracy"

评估结果如下，可以看出识别准确率acc为54.3%，归一化的编辑距离norm_edit_dis为92%，该值越大越好，越大说明预测值和真实值越相近，而acc是一个比较严格的评测指标，只要有一个字符错了，那么就认定该文本行预测结果是错的。

[2022/07/14 10:54:06] ppocr INFO: metric eval ***************
[2022/07/14 10:54:06] ppocr INFO: acc:0.5430100180913
[2022/07/14 10:54:06] ppocr INFO: norm_edit_dis:0.9203322593158589
[2022/07/14 10:54:06] ppocr INFO: Teacher_acc:0.5401183969626324
[2022/07/14 10:54:06] ppocr INFO: Teacher_norm_edit_dis:0.919827504507755
[2022/07/14 10:54:06] ppocr INFO: fps:928.948733797251

5 python引擎推理

训练完成后，可以将训练模型转换成inference模型。inference 模型会额外保存模型的结构信息，在预测部署、加速推理上性能优越，灵活方便，适合于实际系统集成。

5.1 模型导出

导出命令如下：

In [6]

%cd /home/aistudio/PaddleOCR
# 转化为推理模型
!python tools/export_model.py -c configs/rec/PP-OCRv3/ch_PP-OCRv3_rec_distillation.yml -o Global.pretrained_model="./output/ch_PP-OCR_v3_rec/best_accuracy" Global.save_inference_dir="./inference/rec_ppocrv3/"

5.2 模型推理

导出模型后，可以使用如下命令进行推理预测:

In [7]

%cd /home/aistudio/PaddleOCR
# 推理预测
!python tools/infer/predict_rec.py --image_dir="train_data/handwrite/HWDB2.0Test_images/104-P16_4.jpg" --rec_model_dir="./inference/rec_ppocrv3/Student"

推理结果如下：

Predicts of train_data/handwrite/HWDB2.0Test_images/104-P16_4.jpg:('品结构,差异化的多品牌渗透使欧莱雅确立了其在中国化妆', 0.9904912114143372

In [9]

# 可视化文字识别图片
from PIL import Image  
import matplotlib.pyplot as plt
import numpy as np
import os 

    
img_path = 'train_data/handwrite/HWDB2.0Test_images/104-P16_4.jpg' 
 
def vis(img_path): 
    plt.figure() 
    image = Image.open(img_path)  
    plt.imshow(image)
    plt.show()
    # image = image.resize([208, 208])  
    
  
vis(img_path)

example

6. 总结

本项目基于PP-OCRv3中英文超轻量预训练模型进行优化手写文字识别模型，将默认预训练模型的准确率从0.03%提升到54%，可以看出，模型训练效果还有进一步的提升空间，但是通过可视化输出样例，可以看出模型效果还是可观的。

baidu_huihui

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
PP-OCRv3进行OCR手写文字识别

手写体在日常生活中较为常见，无论是记笔记，亦或是手写书信，再或是现如今出现的各种电子设备也都支持手写输入，或是触摸屏输入，手写体可以说是随处可见。手写体的自动识别功能对于保存手写体的内容是极为重要的。中文汉字字符级别的类别繁多；手写体字符的书写随意性大, 缺乏规范性不同书写人书写风格多样中文汉字中存在很多相似字和易混淆的汉字对以上难点对手写体自动识别都带来了很大的挑战。
复制链接

扫一扫