PPOCR训练后acc为0解决方法

最新推荐文章于 2024-09-15 15:29:29 发布
最新推荐文章于 2024-09-15 15:29:29 发布
阅读量299 收藏
点赞数 1
分类专栏： OCR 文章标签： 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_65356682/article/details/140464016
版权

首先你需要先配置PPOCR源码和环境，可以按照如下流程

PPOCR训练和C#部署英文字符训练_ppocrlabel可以终端运行吗-CSDN博客

训练时如下

如下是rec训练模型     acc为0   det也是如此

如下没有  名为best的模型文件

解决办法就是

将如下的train和eval部分的batch_size改小点，例如8 

然后再次运行就有了acc了

模型文件中会生成best文件，这种就属于没问题的 

该醒醒了~
关注
专栏目录
PaddleOCR 训练自己的模型，评估acc为0，且无best_accuracy
m0_60584465的博客
06-30 911
为了找出具体原因，于是进入train.py文件中debug查找原因，PaddleOCR在训练模型时，按照官方的指导教程，一般是在终端输入一下命令行的方式配置运行进行训练，如果想通过tools\train.py在右键运行或进入debug模式，就需要修改代码，具体参考。全局的总迭代次数global_step在训练的终端中有打印出来，如下图所示，因此对照此值，即小于此值模型训练才会进入eval评估（本图中总迭代次数为1500，而评估间隔为2000，所以未评估）。
ddddocr训练验证码时遇到的各种问题汇总
weixin_68123638的博客
06-29 3426
前两天开始尝试使用ddddocr训练离线模型，期间遇到了各种问题，费了一番周折，最后还算顺利解决了，记录一下，避免大家遇坑。ddddocr ddddocr训练工具 这是Gitee上作者的仓库，GitHub上的是一样的，大家可以自己去找。ddddocr的使用方法在这里我就不多说了，这里主要讲的是训练遇到的问题。环境配置参考训练工具仓库内的Markdown文档说明，需要注意的是pytorch的CUDA版本需要自己在官网上下载安装，其他都简单，按照操作步骤一步步来就行。环境搭好后，下载压缩文件并解压缩到本地，按照
PaddleOCR——训练总结
qq_37668436的博客
11-18 2652
记录下训练碰到的问题 自己合成的数据在MLT验证精度非常低 原因：合成数据与真实数据差别较大，表现结果是在合成数据上拟合结果非常好，在真实数据上效果差，存在向合成数据过拟合的问题，解决办法增加真实数据（但这个不好找）、对真实数据进行数据增广（应该可以吧）、拿合成数据训练的best模型在真实数据上finetune（在测试）。 合成数据的best模型作为预训练模型在真是数据上finetune时最开始acc=0.0 原因：我使用的预训练模型是在合成数据上识别日语并且验证集准确度最高有83%左右，并且用这个模型在真
软件工程应用与实践（十二）：基于实例Paddle OCR代码分析
pinkray_c的博客
12-17 1449
2021SC@SDUSC 目录 一、前情回顾 1.1PP-OCR文字识别策略 1.2本文介绍策略 二、PP-OCR识别流程 2.1 数据集收集 2.2 模型配置 2.3训练准备 定义label输入以及超参数 实例化模型并配置优化策略 2.4 训练 2.5 预测前准备 像定义训练Reader一样定义预测Reader 预测数据 2.6 预测 预测使用代码 结果 总结 一、前情回顾 1.1PP-OCR文字识别策略 策略的选用主要是用来增强...
基于PP-OCR训练表格识别模型
Guo_Python的博客
12-05 4531
参考：百度官网 一. 配置PP-OCR环境 pp-ocr环境配置教程 二. 训练数据准备 数据下载地址 或者用命令下载数据 curl -o ./PubTabNet.tar.gz https://dax-cdn.cdn.appdomain.cloud/dax-pubtabnet/2.0.0/pubtabnet.tar.gz 下载数据后解压，并用代码将其划分为训练集和验证集，代码如下： import jsonlines """ 把PubTabNet_2.0.0.jsonl分成PubTabNet_2.0.0_t
十七种方法轻松解决PyTorch训练速度慢！
热门推荐
python_miao的博客
01-24 1万+
掌握这 17 种方法，用最省力的方式，加速你的 Pytorch 深度学习训练。 近日，Reddit 上一个帖子热度爆表。主题内容是关于怎样加速 PyTorch 训练。原文作者是来自苏黎世联邦理工学院的计算机科学硕士生 LORENZ KUHN，文章向我们介绍了在使用 PyTorch 训练深度模型时最省力、最有效的 17 种方法。 该文所提方法，都是假设你在 GPU 环境下训练模型。具体内容如下。 17 种加速 PyTorch 训练的方法 很多人学习python，不知道从...
paddle ocr 训练 验证码
陆安的博客
11-16 4198
1.PPOCRLabel 标注工具 官方文档： https://gitee.com/paddlepaddle/PaddleOCR/blob/release/2.3/PPOCRLabel/README_ch.md 1.1.安装pyqt5 本地whl下载路径 https://pypi.tuna.tsinghua.edu.cn/simple/pyqt5/ 1.2.安装本地文件 pip install E:\PaddleOcr\whl\PyQt5-5.15.6-cp36-abi3-win_amd64.whl 1.3
PaddleOCR多机多卡分布式训练指南 | 基于Ubuntu18.04
Andrwin的博客
10-12 2808
一、项目背景 生僻字的fine-tune不能简单的使用几百个数据训练一下，这样会让之前学习到的忘掉。 怎么办呢，就只能加大数据量，在git上提了issue以后简单了解到了以下内容： - 数据量要大 最少几百万条数据 - 对于生僻字的覆盖要均匀 每个字最少出现200次以上 - 场景尽量多样 可以做合成数据 于是我就用前面的博客写的生僻字数据集制作，简单做了40w数据。 我有两台2080，又没有办法把两个2080放在一个主板上，那么故事就开始了。 二、环境配置 首先要满足单机多卡或者单机单卡没
OCR/STR生僻字数据训练 | PaddleOCR的Fine-tune常见问题汇总（3）
Andrwin的博客
09-18 7191
1、印章如何识别？ 使用带tps的识别网络或abcnet,2.使用极坐标变换将图片拉平之后使用crnn 2、多语言的字典里是混合了不同的语种，这个是有什么讲究吗？统一到一个字典里会对精度造成多大的损失？ 统一到一个字典里，会造成最后一层FC过大，增加模型大小。如果有特殊需求的话，可以把需要的几种语言合并字典训练模型，合并字典之后如果引入过多的形近字，可能会造成精度损失，字符平衡的问题可能也需要考虑一下。在PaddleOCR里暂时将语言字典分开。 3、如何对检测模型finetune，比如冻结.
Paddle进阶实战系列（三）：基于SVTR算法的手写英文单词识别
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-10 2713
本项目以最新PaddleOCRv3为框架，采用最新的OCR领域算法SVTR，完成手写英文单词识别算法搭建。流程分为数据集构建、数据集处理、模型搭建与预测、推理等，数据集采用好未来教育提供的开源数据集，每张图片对应多个单词，相比传统单个手写数字识别具有一定难度。
Paddle入门实战系列（五）：基于CRNN的手写英文单词识别
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-06 1517
本项目采用PaddleOCR开源框架进行写英文单词识别，流程分为数据集构建、数据集处理、模型搭建与预测、推理等，数据集采用好未来教育提供的开源数据集，每张图片对应多个单词，相比传统单个手写数字识别具有一定难度，项目采用CRNN+CTC方法，设定相关参数值，实现不定长的手写英文单词识别。
SRT3D: A Sparse Region-Based 3D Object Tracking Approach for the Real World
weixin_45834800的博客
09-13 1070
基于区域的方法在基于模型的单目3D跟踪无纹理物体的复杂场景中变得越来越流行。然而，尽管它们能够实现最先进的结果，大多数方法的计算开销很大，需要大量资源来实时运行。在下文中，我们基于之前的工作，开发了SRT3D，这是一种稀疏的基于区域的3D物体跟踪方法，旨在弥合效率上的差距。我们的方法在所谓的对应线（这些线模型化了物体轮廓位置的概率）上稀疏地考虑图像信息。由此，我们改进了当前的技术，并引入了考虑定义的全局和局部不确定性的平滑阶跃函数。对于所得到的概率公式，提供了详尽的分析。
【AI大模型】Kimi API大模型接口实现
最新发布
qq_25888559的博客
09-15 1029
Kimi智能助手在效率（免费榜）排名从2024年1月14日的第436名提升至3月19日的第11名。而尚未上线的GPT-4.5 Turbo上下文窗口指定为25.6万个token，能同时处理约20万个单词，Kimi升级后，长文本能力为其10倍。在2023年10月初次亮相时，该模型的处理能力还仅有约20万汉字。2024年3月18日，月之暗面宣布Kimi智能助手启动200万字无损上下文内测。
生成式人工智能在新加坡的发展现状和地位
wukangjupingbb的博客
09-11 1152
依据国际隐私专业人员协会(IAPP)的相关报告，2020年，上述两机构更新了该模型框架，发布了第二版，并推出了《组织实施和自我评估指南》，帮助组织评估其人工智能治理实践与型框架的匹配程度，还发布了《案例汇编》，展示了组织如何实施负责任的人工智能治理实践。2019年，金融管理局宣布与金融行业合作创建Veritas框架，为金融机构提供可验证的方法，将FEAT原则纳入其人工智能和数据分析驱动的解决方案中。新加坡在人工智能治理方面采取了部门性的方法，即通过各个行业的监管机构来管理人工智能的使用。
车辆检测与分类系统源码分享
xuehaikj的博客
09-13 1451
数据集信息展示在本研究中，我们采用了名为“comexit”的数据集，以支持对YOLOv8模型在车辆检测与分类任务中的改进。该数据集专注于交通工具的识别，特别是公共交通和货运车辆，具有明确的应用背景和实用价值。数据集的类别数量为三，具体包括“bus”（公交车）、“car”（小汽车）和“truck”（卡车）。这三类车辆在城市交通和物流系统中扮演着重要角色，因此，准确的检测与分类对于交通管理、智能交通系统以及自动驾驶技术的发展具有重要意义。
opencv学习：calcHist 函数绘制图像直方图及代码实现
mohanyelong的博客
09-13 1494
opencv学习：calcHist 函数绘制图像直方图及代码实现
训练集acc为98 测试集为70几
09-20
训练集和测试集的准确率差异表示模型出现了过拟合的情况。 训练集的准确率为98%，这说明模型在训练数据上表现良好，能够较好地捕捉训练数据中的模式和规律。训练集的准确率很高可能是因为模型过度学习了训练数据的噪声和细节，导致模型过拟合。 测试集的准确率只有70几%，这表示模型在未见过的数据上的表现较差。模型在训练过程中过度适应了训练数据，失去了对新数据的泛化能力。这可能是由于训练集和测试集的数据分布不一致，或者模型结构过于复杂，导致模型无法泛化到新数据上。 为解决过拟合问题，可以采取以下措施：增加训练集样本数量、进行数据增强技术、使用正则化方法减少模型复杂度、调整模型超参数、采用交叉验证等方法。同时，也可以对模型进行进一步的调优和优化，如选择更合适的模型结构、调整学习率、增加训练迭代次数等。 总之，训练集准确率高而测试集准确率较低，表明模型存在过拟合问题。通过针对过拟合问题的解决方法和进一步的优化调整，可以提高模型的泛化能力和测试集的准确率。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值