PaddleOCRv3之二：TextRecognitionDataGenerator训练集构造

OCR识别部分数据集中字体和背景是比较重要的方面，在实际的场景下收集不到那么多真实的样本，在训练开始的时候手工构造一批训练数据还是很有必要的。可以用这一批数据预训练后面用真实数据来微调，也可以直接把这些数据和真实数据混合在一起训练。
在构造数据集的方面TextRecognitionDataGenerator还是比较好用了，这是按行生成文本的,可以生成bounding boxes，和mask。

1. 开源项目TextRecognitionDataGenerator

链接TextRecognitionDataGenerator

支持的一些有用的操作

• blur 模糊操作
• 在背景图上写字（这个很有用，选择一些真实场景的背景图，然后把文字写在上面，看起来更真实一些）
• 角度旋转
• 生成boundingbox和mask标签
• 字间距调整
• 字体颜色设置
• 拉丁语系的提供了100多种字体
• …

安装有两种方式，

• pip 安装

pip install trdg

• 源码安装
  下载源码，cd进入setup.py所在目录，然后安装依赖项

pip install -r requirements.txt

使用的时候用trdg文件夹下的run.py文件生成数据，默认在TextRecognitionDataGenerator-master\trdg路径下

2. 使用

常用选项

python run.py 
--font_dir fonts\latin 	#字体文件，可以选择文件夹或者单个字体库
--dict dicts\myDict.txt 	#字典路径
-c 50 		#一共生成多少个图片
--output_dir outputs #保存路径
-k 5 -rk  		#-k 5表示旋转的角度为5°，后面接-rk表示在-5，+5范围内随机，
-bl 3 -rbl		#-bl 表示blur 高斯模糊，后面接半径， -rbl表示高斯核的半径在0-3之间
--case upper 	#upper表示使用大写字符，lower表示用小写
-b 3 -id images	#-b表示背景，3表示用图片做背景，-id：image_dir,指定背景图片路径
-f 64		# --format ,生成的图片的高度
-tc #22211f	#--text_color 6位的16进制数，RGB格式直接翻译，例如：rgb=[10,15,255]==>#0a 0e ff 
-obb 1		#生成bonding box，
		#格式是嵌套的，第一行：4个数，分别为第一个字符左上角x,y 最后一个字符的右下角的x，y
		#第二行：4个数，分别为第二个字符左上角的x,y，最后一个字符的右下角的x，y
		#第n行：4个数，分别为第n个字符左上角的x,y，最后一个字符的右下角的x，y

例如：

python run.py --font_dir fonts\latin --dict dicts\OCRDict.txt -c 52 --output_dir K:\imageData\OCR\ocr_dataset\test  -k 6 -rk -bl 1 -rbl -b 3 -id K:\imageData\OCR\ocr_background\yellow -f 80

查看使用帮助就能只知道完整的用法了

python run.py --help

usage: run.py [-h] [--ou