crnn 不同backbone探索（准确率和测试时间）

crnn 不同backbone探索

测试环境

1. v100 10cpu 64Gi MEM
2. torch==1.6.0

测试数据：银行卡卡号识别

1. 训练集：32000+
2. 验证集:：3000+

训练

1. train 200 epoch

测试

1. 100张图求平均，跑了3遍

结果

模型	准确率	模型大小(M)	说明	inferTime(GPU/ms)	inferTime(CPU/ms)
mobilev3+CTC	92.27	2.63	baseline
mobilev3+CTC	93.91	2.63	1+2
mobilev3+CTC	94.33	2.63	1+3
mobilev3+CTC	95.00	2.63	1+3+5	5.7+6.0+5.9	19.4+19.0+18.5
lcnet+CTC	95.53	4.75	1+3	5.9+5.8+5.8	20.7+21.8+20.2
mobilev3+2blstm+CTC	94.58	13.6	1+2+4	9.8+9.6+9.7	44.3+43.9+45.3
repvggA0+CTC	96.34	32.9	1+2
repvggA0+CTC	96.45	32.9	1+3	2.2+2.3+2.3	16.4+16.3+16.4
repvggA1+CTC	96.93	52.8	1+3	2.4+2.4+2.4	22.0+21.5+21.9
resnet18+CTC	96.34	45.5	1+2
resnet18+CTC	96.59	45.5	1+3	4.2+4.2+4.1	29.6+30.0+29.1
resnet34+CTC	96.65	86	1+2	6.8+6.7+6.8	52.4+48.3+48.4
resnet34+CTC	96.84	86	1+3
densenet121+CTC	97.90	86	1+3	17.8+18.5+18.2	127.2+123.7+127.5

1. add Text-Image-Augmentation
2. use step Lr
3. use poly Lr
4. add blstm
5. load premodel

基本结论：对于端侧模型mobilev3和lcnet(0.5)都不错，对于服务端模型，repvgg是个不错的选择，速度快，精度高。

继续提高

基于repvgg的思路，继续提升小模型准确率：

模型	准确率	模型大小(M)	说明	inferTime(GPU/ms)	inferTime(CPU/ms)	提升
mobilev3+CTC	94.33	2.63	None	5.7+6.0+5.9	19.4+19.0+18.5	baseline
mobilev3+CTC	94.58	2.63	1	5.7+6.0+5.9	19.4+19.0+18.5	0.25
mobilev3+CTC	94.81	2.63	1+2	5.7+6.0+5.9	19.4+19.0+18.5	0.48
lcnet+CTC	95.53	4.75	None	5.9+5.8+5.8	20.7+21.8+20.2	baseline
lcnet+CTC	95.83	4.75	1	5.9+5.8+5.8	20.7+21.8+20.2	0.3
lcnet+CTC	96.37	4.75	1+2	5.9+5.8+5.8	20.7+21.8+20.2	0.84
lcnet+CTC	96.40	4.75	1+2+3	5.9+5.8+5.8	20.7+21.8+20.2	0.87
lcnet+CTC	98.38	4.75	1+2+3+4	5.9+5.8+5.8	20.7+21.8+20.2	2.85

1. add repvggblock
2. add L2 loss
3. warm up 20 epoch
4. add 3w+ train data

基本结论: 加数据，yyds