Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/sml2h3/dddd_trainer
ddddocr训练工具
https://github.com/sml2h3/dddd_trainer
ddddocr
Last synced: 3 months ago
JSON representation
ddddocr训练工具
- Host: GitHub
- URL: https://github.com/sml2h3/dddd_trainer
- Owner: sml2h3
- License: apache-2.0
- Created: 2022-01-25T02:52:24.000Z (over 2 years ago)
- Default Branch: main
- Last Pushed: 2023-09-26T03:46:59.000Z (9 months ago)
- Last Synced: 2024-01-16T11:51:08.571Z (5 months ago)
- Topics: ddddocr
- Language: Python
- Homepage:
- Size: 130 KB
- Stars: 591
- Watchers: 12
- Forks: 259
- Open Issues: 39
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Lists
- awesome-stars - dddd_trainer
README
# dddd_trainer 带带弟弟OCR训练工具
### 带带弟弟OCR所用的训练工具今天正式开源啦！ [ddddocr](https://github.com/sml2h3/ddddocr)
### 项目仅支持N卡训练，A卡或其他卡就先别看啦
### 项目基于Pytorch进行开发，支持cnn与crnn进行训练、断点恢复、自动导出onnx模型，并同时支持无缝使用[ddddocr](https://github.com/sml2h3/ddddocr) 与 [ocr_api_server](https://gitee.com/fkgeek/ocr_api_server) 的无缝部署
### 训练环境支持
Windows/Linux
Macos仅支持cpu训练
## 1、深度学习必备环境配置（非仅本项目要求，而是所有深度学习项目要求，cpu训练除外）
### 开始本教程前请先前往[pytorch](https://pytorch.org/get-started/locally/) 官网查看自己系统与硬件支持的pytorch版本，注意30系列之前的N卡，如2080Ti等请选择cuda11以下的版本（例：CUDA 10.2），如果为30系N卡，仅支持CUDA 11版本，请选择CUDA 11以上版本（例：CUDA 11.3），然后根据选择的条件显示的pytorch安装命令完成pytorch安装，由于pytorch的版本更新速度导致很多pypi源仅缓存了cpu版本，CUDA版本需要自己在官网安装。
### 安装CUDA和CUDNN
根据自己显卡型号与系统选择
[cuda](https://developer.nvidia.com/cuda-downloads)
[cudnn](https://developer.nvidia.com/zh-cn/cudnn)
注意cudnn支持的cuda版本号要与你安装的cuda版本号对应，不同版本的cuda支持的显卡不一样，20系无脑选择10.2版本cuda，30系无脑选择11.3版本cuda,这里有啥问题就百度吧，算是一个基础问题。
## 2、训练部分
- 以下所有变量均以 {param} 格式代替，表示可根据自己需要修改，而使用时并不需要带上{}，如步骤创建新的训练项目，使用时可以直接写
`python app.py create test_project`
- ### 1、Clone本项目到本地
`git clone https://github.com/sml2h3/dddd_trainer.git`
- ### 2、进入项目目录并安装本项目所需依赖
`pip install -r requirements.txt -i https://pypi.douban.com/simple`
- ### 3、创建新的训练项目
`python app.py create {project_name}`
如果想要创建一个CNN的项目，则可以加上--single参数，CNN项目识别比如图片类是什么分类的情况，比如图片上只有一个字，识别这张图是什么字（图上有多个字的不要用CNN模式），又比如分辨图片里是狮子还是兔子用CNN模式比较合适，大多数OCR需求请不要使用--single
`python app.py create {project_name} --single`
project_name 为项目名称，尽量不要以特殊符号命名
- ### 4、准备数据
项目支持两种形式的数据
### A、从文件名导入
图片均在同一个文件夹中，且命名为类似，其中/root/images_set为图片所在目录，可以为任意目录地址
```
/root/images_set/
|---- abcde_随机hash值.jpg
|---- sdae_随机hash值.jpg
|---- 酱闷肘子_随机hash值.jpg
```
如下图所示
那么图片命名可以是
`mkGu_000001d00f140741741ed9916240d8d5.jpg`
### 为考虑各种情况，dddd_trainer不会自动去处理大小写问题，如果想训练大小写，则在样本标注时就需要自己标注好大小写，如上面例子
### B、从文件中导入
受限于可能样本组织形式或者特殊字符，本项目支持从txt文档中导入数据，数据集目录必须包含有`labels.txt`文件和`images`文件夹, 其中/root/images_set为图片所在目录，可以为任意目录地址
`labels.txt`文件中包含了所有在`/root/images_set/images`目录下基于`/root/images_set/images`的图片相对路径，`/root/images_set/images`下可以有目录。
#### 当然，在这种模式下，图片的文件名随意，可以有具体label也可以没有，因为咱们不从这里获取图片的label
如下所示
-
a.images下无目录的形式
```
/root/images_set/
|---- labels.txt
|---- images
|---- 随机hash值.jpg
|---- 随机hash值.jpg
|---- 酱闷肘子_随机hash值.jpg
labels.txt文件内容为（其中\t制表符为每行文件名与label的分隔符）
随机hash值.jpg\tabcd
随机hash值.jpg\tsdae
酱闷肘子_随机hash值.jpg\t酱闷肘子
```
b.images下有目录的形式
```
/root/images_set/
|---- labels.txt
|---- images
|---- aaaa
|---- 随机hash值.jpg
|---- 酱闷肘子_随机hash值.jpg
labels.txt文件内容为（其中\t制表符为每行文件名与label的分隔符）
aaaa/随机hash值.jpg\tabcd
aaaa/随机hash值.jpg\tsdae
酱闷肘子_随机hash值.jpg\t酱闷肘子
```
### 为了新手更好的理解本部分的内容，本项目也提供了两套基础数据集提供测试
[数据集一](https://wwm.lanzoum.com/iUyYb0b5z3lg)
[数据集二](https://wwm.lanzoum.com/itczd0b5z3yj)
- ### 5、修改配置文件
```yaml
Model:
CharSet: [] # 字符集，不要动，会自动生成
ImageChannel: 1 # 图片通道数，如果你想以灰度图进行训练，则设置为1，彩图，则设置为3。如果设置为1，数据集是彩图，项目会在训练的过程中自动在内存中将读取到的彩图转为灰度图，并不需要提前自己修改并且该设置不会修改本地图片
ImageHeight: 64 # 图片自动缩放后的高度，单位为px,高度必须为16的倍数，会自动缩放图像
ImageWidth: -1 # 图片自动缩放后的宽度，单位为px，本项若设置为-1，将自动根据情况调整
Word: false # 是否为CNN模型，这里在创建项目的时候通过参数控制，不要自己修改
System:
Allow_Ext: [jpg, jpeg, png, bmp] # 支持的图片后缀，不满足的图片将会被自动忽略
GPU: true # 是否启用GPU去训练，使用GPU训练需要参考步骤一安装好环境
GPU_ID: 0 # GPU设备号，0为第一张显卡
Path: '' # 数据集根目录，在缓存图片步骤会自动生成，不需要自己改，除非数据集地址改了
Project: test # 项目名称 也就是{project_name}
Val: 0.03 # 验证集的数据量比例，0.03就是3%，在缓存数据时，会自动选则3%的图片用作训练过程中的数据验证，修改本值之后需要重新缓存数据
Train:
BATCH_SIZE: 32 # 训练时每一个batch_size的大小，主要取决于你的显存或内存大小，可以根据自己的情况，多测试，一般为16的倍数,如16，32，64，128
CNN: {NAME: ddddocr} # 特征提取的模型，目前支持的值为ddddocr,effnetv2_l,effnetv2_m,effnetv2_xl,effnetv2_s,mobilenetv2,mobilenetv3_s,mobilenetv3_l
DROPOUT: 0.3 # 非专业人员不要动
LR: 0.01 # 初始学习率
OPTIMIZER: SGD # 优化器，不要动
SAVE_CHECKPOINTS_STEP: 2000 # 每多少step保存一次模型
TARGET: {Accuracy: 0.97, Cost: 0.05, Epoch: 20} # 训练结束的目标，同时满足时自动结束训练并保存onnx模型，Accuracy为需要满足的最小准确率，Cost为需要满足的最小损失，Epoch为需要满足的最小训练轮数
TEST_BATCH_SIZE: 32 # 测试时每一个batch_size的大小，主要取决于你的显存或内存大小，可以根据自己的情况，多测试，一般为16的倍数,如16，32，64，128
TEST_STEP: 1000 # 每多少step进行一次测试
```
配置文件位于本项目根目录下`projects/{project_name}/config.yaml`
- ### 6、缓存数据
`python app.py cache {project_name} /root/images_set/`
如果是从labels.txt里面读取数据
`python app.py cache {project_name} /root/images_set/ file`
- ### 7、开始训练或恢复训练
`python app.py train {project_name}`
- ### 8、部署
`你们先训练着，我去适配ddddocr和ocr_api_server了，适配完我再继续更新文档`