python场景文字识别_场景文字识别Attention_飞桨-源于产业实践的开源深度学习平台...-CSDN博客

本文链接：https://blog.csdn.net/weixin_29534373/article/details/114422924

该博客介绍了如何使用Attention模型进行场景文字识别，特别是针对单行英文字符的识别任务。文章涵盖了数据准备、模型训练、预测和评估，并提供了CTC和Attention两种模型的比较。此外，还提供了预训练模型及其性能指标。

摘要由CSDN通过智能技术生成

场景文字识别-Attention

类别计算机视觉(PaddleCV)

应用文字图片识别营业执照识别车牌识别票据识别

模型概述

使用Attention 识别图片中单行英文字符，用于端到端的自然场景文本识别。

模型说明

## 代码结构

```

├── data_reader.py # 下载、读取、处理数据。

├── crnn_ctc_model.py # 定义了OCR CTC model的网络结构。

├── attention_model.py # 定义了OCR attention model的网络结构。

├── train.py # 用于模型的训练。

├── infer.py # 加载训练好的模型文件，对新数据进行预测。

├── eval.py # 评估模型在指定数据集上的效果。

└── utils.py # 定义通用的函数。

```

## 简介

本章的任务是识别图片中单行英文字符，这里我们分别使用CTC model和attention model两种不同的模型来完成该任务。

这两种模型的有相同的编码部分，首先采用卷积将图片转为特征图, 然后使用`im2sequence op`将特征图转为序列，通过`双向GRU`学习到序列特征。

两种模型的解码部分和使用的损失函数区别如下：

- CTC model: 训练过程选用的损失函数为CTC(Connectionist Temporal Classification) loss, 预测阶段采用的是贪婪策略和CTC解码策略。

- Attention model: 训练过程选用的是带注意力机制的解码策略和交叉信息熵损失函数，预测阶段采用的是柱搜索策略。

训练以上两种模型的评估指标为样本级别的错误率。

## 数据

数据的下载和简单预处理都在`data_reader.py`中实现。

### 数据示例

我们使用的训练和测试数据如`图1`所示，每张图片包含单行不定长的英文字符串，这些图片都是经过检测算法进行预框选处理的。

图 1

在训练集中，每张图片对应的label是汉字在词典中的索引。 `图1` 对应的label如下所示：

```

80,84,68,82,83,72,78,77,68,67

```

在上边这个label中，`80` 表示字符`Q`的索引，`67` 表示英文字符`D`的索引。

### 数据准备

**A. 训练集**

我们需要把所有参与训练的图片放入同一个文件夹，暂且记为`train_images`。然后用一个list文件存放每张图片的信息，包括图片大小、图片名称和对应的label，这里暂记该list文件为`train_list`，其格式如下所示：

```

185 48 00508_0215.jpg 7740,5332,2369,3201,4162

48 48 00197_1893.jpg 6569

338 48 00007_0219.jpg 4590,4788,3015,1994,3402,999,4553

150 48 00107_4517.jpg 5936,3382,1437,3382

...

157 48 00387_0622.jpg 2397,1707,5919,1278

```

文件train_list

上述文件中的每一行表示一张图片，每行被空格分为四列，前两列分别表示图片的宽和高，第三列表示图片的名称，第四列表示该图片对应的sequence label。

最终我们应有以下类似文件结构：

```

|-train_data

|- train_list

|- train_imags

|- 00508_0215.jpg

|- 00197_1893.jpg

|- 00007_0219.jpg

| ...

```

在训练时，我们通过选项`--train_images` 和 `--train_list` 分别设置准备好的`train_images` 和`train_list`。

>**注：** 如果`--train_images` 和 `--train_list`都未设置或设置为None， reader.py会自动下载使用[示例数据](http://paddle-ocr-data.bj.bcebos.com/data.tar.gz)，并将其缓存到`$HOME/.cache/paddle/dataset/ctc_data/data/` 路径下。

**B. 测试集和评估集**

测试集、评估集的准备方式与训练集相同。

在训练阶段，测试集的路径通过train.py的选项`--test_images` 和 `--test_list` 来设置。

在评估时，评估集的路径通过eval.py的选项`--input_images_dir` 和`--input_images_list` 来设置。

**C. 待预测数据集**

预测支持三种形式的输入：

第一种：设置`--input_images_dir`和`--input_images_list`, 与训练集类似, 只不过list文件中的最后一列可以放任意占位字符或字符串，如下所示：

```

185 48 00508_0215.jpg s

48 48 00197_1893.jpg s

338 48 00007_0219.jpg s

...

```

第二种：仅设置`--input_images_list`, 其中list文件中只需放图片的完整路径，如下所示：

```

data/test_images/00000.jpg

data/test_images/00001.jpg

data/test_images/00003.jpg

```

第三种：从stdin读入一张图片的path，然后进行一次inference.

## 模型训练与预测

### 训练

使用默认数据在GPU单卡上训练:

```

env CUDA_VISIBLE_DEVICES=0 python train.py

```

使用默认数据在CPU上训练:

```

env OMP_NUM_THREADS=python train.py --use_gpu False --parallel=False

```

使用默认数据在GPU多卡上训练:

```

env CUDA_VISIBLE_DEVICES=0,1,2,3 python train.py --parallel=True

```

默认使用的是`CTC model`, 可以通过选项`--model="attention"`切换为`attention model`。

执行`python train.py --help`可查看更多使用方式和参数详细说明。

图2为使用默认参数在默认数据集上训练`CTC model`的收敛曲线，其中横坐标轴为训练迭代次数，纵轴为样本级错误率。其中，蓝线为训练集上的样本错误率，红线为测试集上的样本错误率。测试集上最低错误率为22.0%.

图 2

图3为使用默认参数在默认数据集上训练`attention model`的收敛曲线，其中横坐标轴为训练迭代次数，纵轴为样本级错误率。其中，蓝线为训练集上的样本错误率，红线为测试集上的样本错误率。测试集上最低错误率为16.25%.

图 3

## 测试

通过以下命令调用评估脚本用指定数据集对模型进行评估：

```

env CUDA_VISIBLE_DEVICES=0 python eval.py \

--model_path="./models/model_0" \

--input_images_dir="./eval_data/images/" \

--input_images_list="./eval_data/eval_list"

```

执行`python train.py --help`可查看参数详细说明。

### 预测

从标准输入读取一张图片的路径，并对齐进行预测：

```

env CUDA_VISIBLE_DEVICES=0 python infer.py \

--model_path="models/model_00044_15000"

```

执行上述命令进行预测的效果如下：

```

----------- Configuration Arguments -----------

use_gpu: True

input_images_dir: None

input_images_list: None

model_path: /home/work/models/fluid/ocr_recognition/models/model_00052_15000

------------------------------------------------

Init model from: ./models/model_00052_15000.

Please input the path of image: ./test_images/00001_0060.jpg

result: [3298 2371 4233 6514 2378 3298 2363]

Please input the path of image: ./test_images/00001_0429.jpg

result: [2067 2067 8187 8477 5027 7191 2431 1462]

```

从文件中批量读取图片路径，并对其进行预测：

```

env CUDA_VISIBLE_DEVICES=0 python infer.py \

--model_path="models/model_00044_15000" \

--input_images_list="data/test.list"

```

## 预训练模型

|模型| 错误率|

|- |:-: |

|[ocr_ctc_params](https://paddle-ocr-models.bj.bcebos.com/ocr_ctc.zip) | 22.3% |

|[ocr_attention_params](https://paddle-ocr-models.bj.bcebos.com/ocr_attention.zip) | 15.8%|

>在本文示例中，均可通过修改`CUDA_VISIBLE_DEVICES`改变当前任务使用的显卡号。