天池CV赛事-街景字符编码识别

一、赛题背景

赛题以计算机视觉中字符识别为背景，要求选手预测真实场景下的字符识别，这是一个典型的字符识别问题。

二、赛题数据

赛题来源自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），并根据一定方式采样得到比赛数据集。

数据集报名后可见并可下载，该数据来自真实场景的门牌号。训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片。

需要注意的是本赛题需要选手识别图片中所有的字符，为了降低比赛难度，我们提供了训练集、验证集和测试集中字符的位置框。

下载数据集后，例如测试集的字符图片在文件夹的命名和显示如下：

字段表

所有的数据（训练集、验证集和测试集）的标注使用JSON格式，并使用文件名进行索引。如果一个文件中包括多个字符，则使用列表将字段进行组合。

Field	Description
top	左上角坐标X
height	字符高度
left	左上角最表Y
width	字符宽度
label	字符编码

{"000000.png": {"height": [219, 219], "label": [1, 9], "left": [246, 323], "top": [77, 81], "width":[81, 96]}, "000001.png": ....}

000000.png图片里只有两个字符，因此它的json信息对应的坐标都有两组。

三、评测标准

评价标准为准确率，选手提交结果与实际图片的编码进行对比，以编码整体识别准确率为评价指标，结果越大越好，具体计算公式如下：
score=编码识别正确的数量/测试集图片数量

四、结果提交

提交前请确保预测结果的格式与sample_submit.csv中的格式一致，以及提交文件后缀名为csv。

file_name, file_code
0010000.jpg,451
0010001.jpg,232
0010002.jpg,45
0010003.jpg,67
0010004.jpg,191
0010005.jpg,892

五、Baseline思路

１．将赛题抽象为定长字符识别问题，数据集中大部分图片最多字符个数为６个，对于所有图片均假设为６个字符的识别问题，字符小于６个的，将其填充为６个，例如：１２填充为１２ＸＸＸＸ，３４５填充为３４５ＸＸＸ等。每张图片的每个字符的可能识别为０，１，２．..9和Ｘ，有１１种可能，字符识别为Ｘ的说明该字符在图片中为空。以下将不定长字符转换为定长字符的识别问题，并使用CNN（resnet18）完成训练和验证

六、训练环境配置

ubuntu18.04环境，显卡GTX1050，python3.6，pytorch1.3.1

１- 首先在Anaconda中创建一个专门用于本次天池练习赛的虚拟环境。          
>$conda create -n py36_torch131 python=3.6                            

２- 激活环境，并安装pytorch1.3.1                                     
>$source activate py36_torch131                          
 $conda install pytorch=1.3.1 torchvision cudatoolkit=10.0                    

３- 通过下面的命令一键安装所需其它依赖库     
>$pip install jupyter tqdm opencv-python matplotlib pandas                                  

安装完成后，可通过conda list 查看安装成功的包列表，或者某个具体的包的位置                                     
>$conda lis