PaddleOCR 初尝试 以及模型训练时遇到的问题以及解决过程

PaddleOCR 初尝试

建议环境

• conda 虚拟环境
• python3.10
• paddlepaddle-gpu==2.4
• cuda 10.2
• paddleocr 分支 release 2.6

ocr识别

• 简单的文字识别 例子：

def timer(func):
    def wrapper(*args, **kwargs):
        start_time = time.time()
        result = func(*args, **kwargs)
        end_time = time.time()
        elapsed_time = end_time - start_time
        print(f"函数 {func.__name__} 运行时间为 {elapsed_time:.5f} 秒")
        return result

    return wrapper


@timer
def ocrFn(img_path, res_dir=None):
    ocr = PaddleOCR(use_angle_cls=True, lang="ch", use_gpu=False)
    resUrl = os.path.basename(img_path)
    file_name, file_ext = os.path.splitext(resUrl)
    resName = file_name + '.txt'
    if os.path.exists(img_path):
        ocr_res = ocr.ocr(img_path, cls=True)
        if res_dir is not None:
            with open(os.path.join(res_dir, resName), 'w') as file_test:
                for idx, res in enumerate(ocr_res):
                    file_test.write(str(res[1]) + '\n')
        return ocr_res
    else:
        raise ValueError("图片路径错误")

ser 模型和 re 模型训练

1. 使用 paddleLabel 进行 标注数据 (系统： macos m1)

PPOCRLabel --lang ch --kie True

2. 标注时会有关键词 说法 建议 写成固定的几个后续需要改
   如 header question answer other 导出标注结果后
   数据样子：

image/custom_1.jpg	[{"transcription": "xxxxxx", "points": [[170, 1215], [1048, 1186], [1056, 1317], [168, 1358]], "difficult": false, "key_cls": "TEST"}]

将上面的数据进行修改， 这里具有主观意见在里面

custom_1.jpg	[{"transcription": "xxxxxx", "points": [[170, 1215], [1048, 1186], [1056, 1317], [168, 1358]], "id": 0, "label": "header", "linking": []}]

以上面的数据为例子 简单解释一下
custom_1.jpg PPOCRLabel 导出的结果在 Label.txt 文件中，通过自己的修改我要自己给数据进行 label 标注 以及 id 编号，linking 关系绑定等，
linking关系的绑定可以去看一下paddleOCR官方是怎么说的

总得说如果自己要进行 ser 和 re 模型的训练 数据集方面博主目前还没发现有什么自动生成工具，还是需要有自己手动去修改数据
kie对的应文档
3. 特别注意

ValueError: (InvalidArgument) The shape of tensor assigned value must match the shape of target shape: [512, 3], but now shape is [513, 3]

如果在训练re模型时遇到以上错误，请检查数据集是否存在一下问题

• 数据的标注块是否大于 3
• 是否至少包含一对linking 关系的映射
• linking 关系的映射是否合理，如：question -> answer 这样才对
• 检查数据中格式是否错误

注意： 文本文件中默认请将图片路径和图片标签用 \t 分割，如用其他方式分割将造成训练报错。
报错如下

 error happened with msg: Traceback (most recent call last):
  File "/Users/xxx/xxxDesktop/xxx/ai/xxx/ppocr/data/simple_dataset.py", line 144, in __getitem__
    label = substr[1]
IndexError: list index out of range

但是这个是可以更改的，如下

# /ppocr/data/simple_dataset.py 35行 这里 \t 可以修改成其他方便分割的符号，不然会在 训练 ser 和 re 的时候都会报错
self.delimiter = dataset_config.get('delimiter', '\t')