文本检测和识别 代码结构梳理

时间：2023-01-21 15:18:40

前言：

最近学习了一些OCR相关的基础知识，包含目标检测和自然语言处理。

正好，在数字中国有相关的比赛：

https://www.datafountain.cn/competitions/334/details/rule

所以想动手实践一下，实际中发现，对于数据标签的处理和整个检测和识别的流程并不熟悉，自己从头去搞还是有很大难度。

幸好，有大佬们之前开源的一些baseline可以参考，有检测的也有识别的，对于真真理解OCR识别是有帮助的。

 

1）最初baseline AdvancedEAST + CRNN
https://github.com/Tianxiaomo/Cultural_Inheritance-Recognizing_Chinese_Calligraphy_in_Multiple_Scenarios

2）一个新的baseline：EAST + ocr_densenet

https://github.com/DataFountainCode/huawei_code_share

还有最原始的开源的EAST 源码，advanced EAST源码

https://github.com/argman/EAST

https://github.com/huoyijie/AdvancedEAST

CRNN 源码

https://github.com/bgshih/crnn

以及densenet 等，都是很好的学习资源

https://github.com/yinchangchang/ocr_densenet

 

 

PART1： EAST 

下面，先对EAST 的整个代码进行梳理：
训练样本格式：

img_1.jpg

img_1.txt

img_2.jpg

img_2.txt

（这个可以用第二个baseline中的convert_to_txt.py 实现）

即训练集包含图像以及图像对应的标注信息（4个位置坐标和文字）

python multigpu_train.py --gpu_list=0 --input_size=512 --batch_size_per_gpu=14 --checkpoint_path=/tmp/east_icdar2015_resnet_v1_50_rbox/ \
--text_scale=512 --training_data_path=/data/ocr/icdar2015/ --geometry=RBOX --learning_rate=0.0001 --num_readers=24 \
--pretrained_model_path=/tmp/resnet_v1_50.ckpt

训练完成之后们就可以进行测试
python eval.py --test_data_path=./tmp/test_image/ --gpu_list=0 --checkpoint_path=./tmp/east_icdar2015_resnet_v1_50_rbox/ --output_dir=./tmp/output/
加载已经训练好的模型进行测试


bug解决：
1、lanms 无法完成编译，将Makefile中的Python3 替换为 Python即可make：
I modify the file lanms/Makefile ,change the python3-config to python-config

CXXFLAGS = -I include -std=c++11 -O3 $(shell python3-config --cflags)
LDFLAGS = $(shell python3-config --ldflags)

2、在测试输出时出现

Traceback (most recent call last):
  File "eval.py", line 194, in <module>
    tf.app.run()
  File "/usr/local/anaconda3/lib/python3.6/site-packages/tensorflow/python/platform/app.py", line 126, in run
    _sys.exit(main(argv))
  File "eval.py", line 160, in main
    boxes, timer = detect(score_map=score, geo_map=geometry, timer=timer)
  File "eval.py", line 98, in detect
    boxes = lanms.merge_quadrangle_n9(boxes.astype('float32'), nms_thres)
  File "/work/ocr/EAST/lanms/__init__.py", line 12, in merge_quadrangle_n9
    from .adaptor import merge_quadrangle_n9 as nms_impl
ImportError: dynamic module does not define module export function (PyInit_adaptor)

 

nms_locality.nms_locality() is a python implemention, its much slower than c++ code, if just want to test, you can use it, these two methods should provide the same result.

When I change the lanms.merge_quadrangle_n9() in eval.py to nms_locality.nms_locality() There's no error. 

C++版本实现调用有问题，直接用Python的实现，这里只是慢一点，结果都是一样的；

 

PART2： CRNN

 参考源码：https://github.com/bai-shang/OCR_TF_CRNN_CTC

训练方法：

1）转换数据，对应图像和标签

For example: image_list.txt

90kDICT32px/1/2/373_coley_14845.jpg coley
90kDICT32px/17/5/176_Nevadans_51437.jpg nevadans

Note: make sure that images can be read from the path you specificed, such as:

path/to/90kDICT32px/1/2/373_coley_14845.jpg
path/to/90kDICT32px/17/5/176_Nevadans_51437.jpg
.......


命令行转换为tfrecord：

python tools/create_crnn_ctc_tfrecord.py \
--image_dir ./data/ --anno_file ./data/train.txt --data_dir ./tfrecords/ \
--validation_split_fraction 0.1

问题：

1）最初bug：TypeError: None has type NoneType, but expected one of: int, long

是因为有未定义的字，也就是不在字典中的字，所以在字典中，字典不完整，单独加未在字典中的编码 "<undefined>": 6736

而且在原代码中：

def _string_to_int(label):
# convert string label to int list by char map
char_map_dict = json.load(open(FLAGS.char_map_json_file, 'r'))

int_list = []
for c in label:
int_list.append(char_map_dict.get(c,6736))    # 增加新的分类6736

 

2) python2 中会遇到许多编码的问题，建议换成Python3

def _bytes_feature(value):
    if type(value) is str:
        value = value.encode('utf-8')
    if sys.version_info[0] > 2:
        value = value # convert string object to bytes
    if not isinstance(value, list):
        value = [value]
    return tf.train.Feature(bytes_list=tf.train.BytesList(value=value))

　　

 代码调试的时候，一步步打印中间结果，分析问题原因：

try:

    print (tf.train.Feature(int64_list=tf.train.Int64List(value=value)))

except:
    print(value)

 

标签：

相关文章