mmocr

Dokumentation | Installation | Modellzoo | "Update News | Meldungsprobleme

Englisch | 简体中文

Neueste Updates

Die Standardzweig ist jetzt main und der Code in der Filiale wurde auf v1.0.0 aktualisiert. Der Code des alten main (V0.6.3) ist jetzt auf dem 0.x -Zweig vorhanden. Wenn Sie die main und Begegnung mit Upgrade -Problemen verwenden, lesen Sie bitte den Migrationshandbuch und die Notizen zu Zweigen.

V1.0.0 wurde im Jahr 2023-04-06 veröffentlicht. Zu den wichtigsten Updates aus 1.0.0RC6 gehören:

1. Unterstützung für SCUT-CTW1500-, SynthText- und MJSynth-Datensätze in Dataset Preparer
2. Aktualisierte FAQ und Dokumentation
3. Abschaltung von File_Client_Args zugunsten von Backend_args
4. Fügte ein neues MMOCR -Tutorial -Notizbuch hinzu

Um mehr über die Updates in MMOCR 1.0 zu erfahren, finden Sie in MMOCR 1.x, was neu ist, oder lesen Sie ChangeLog, um weitere Informationen zu erhalten!

Einführung

MMOCR ist eine Open-Source-Toolbox, die auf Pytorch und Mmdetion zur Texterkennung, der Texterkennung und den entsprechenden nachgeschalteten Aufgaben einschließlich der wichtigsten Informationsextraktion basiert. Es ist Teil des OpenMMLAB -Projekts.

Der Hauptzweig arbeitet mit Pytorch 1.6+ .

Hauptmerkmale

• Umfassende Pipeline

  Die Toolbox unterstützt nicht nur die Texterkennung und die Texterkennung, sondern auch die nachgeschalteten Aufgaben wie die Extraktion der wichtigsten Informationen.

• Mehrere Modelle

  Die Toolbox unterstützt eine Vielzahl hochmoderner Modelle für die Texterkennung, die Texterkennung und die wichtigsten Informationsextraktion.

• Modulares Design

  Das modulare Design von MMOCR ermöglicht es Benutzern, ihre eigenen Optimierer, Datenpräprozessoren und Modellkomponenten wie Backbones, Hälse und Köpfe sowie Verluste zu definieren. In der Übersicht finden Sie unter der Erstellung eines maßgeschneiderten Modells.

• Zahlreiche Versorgungsunternehmen

  Die Toolbox bietet einen umfassenden Versorgungsunternehmen, mit dem Benutzer die Leistung von Modellen bewerten können. Es enthält Visualisierer, die die Visualisierung von Bildern, Grundwahrheiten sowie vorhergesagte Begrenzungsboxen sowie ein Validierungswerkzeug zur Bewertung von Kontrollpunkten während des Trainings ermöglichen. Es enthält auch Datenkonverter, um zu demonstrieren, wie Sie Ihre eigenen Daten in die Annotationsdateien umwandeln, die die Toolbox unterstützt.

Installation

MMOCR hängt von Pytorch, Mmengine, MMCV und MMdetektion ab. Im Folgenden finden Sie schnelle Schritte für die Installation. Weitere detailliertere Anweisungen finden Sie unter dem Installationshandbuch.

conda create -n open-mmlab python=3.8 pytorch=1.10 cudatoolkit=11.3 torchvision -c pytorch -y
conda activate open-mmlab
pip3 install openmim
git clone https://github.com/open-mmlab/mmocr.git
cd mmocr
mim install -e . 

Fangen an

Weitere Informationen finden Sie in der grundlegenden Verwendung von MMOCR.

Modellzoo

Unterstützte Algorithmen:

Rückgrat

• Oclip (ECCV'2022)

Texterkennung

• DBNET (AAAI'2020) / DBNET ++ (TPAMI'2022)
• Mask R-CNN (ICCV'2017)
• Panet (ICCV'2019)
• PSENET (CVPR'2019)
• Texten (ECCV'2018)
• DRRG (CVPR'2020)
• Fcenet (cvpr'2021)

Texterkennung

• Abinet (CVPR'2021)
• Aster (tpami'2018)
• CRNN (tpami'2016)
• Master (pr'2021)
• NRTR (ICDAR'2019)
• RobustScanner (ECCV'2020)
• SAR (aaai'2019)
• Satrn (CVPR'2020 Workshop zu Text und Dokumenten in der Ära Deep Learning)
• SVTR (IJCAI'2022)

Schlüsselinformationsextraktion

• SDMG-R (Arxiv'2021)

Textfleckung

• ABCNET (CVPR'2020)
• ABCNETV2 (TPAMI'2021)
• SPTS (ACM MM'2022)

Weitere Informationen finden Sie unter model_zoo.

Projekte

Hier sind einige Implementierungen von SOTA -Modellen und -Lösungen, die auf MMOCR basieren, die von Community -Nutzern unterstützt und gepflegt werden. Diese Projekte zeigen die besten Praktiken, die auf MMOCR für Forschung und Produktentwicklung basieren. Wir begrüßen und schätzen alle Beiträge zum OpenMMLab -Ökosystem.

Beitragen

Wir schätzen alle Beiträge zur Verbesserung von MMOCR. Weitere Informationen finden Sie unter den beitragen.

Anerkennung

MMOCR ist ein Open-Source-Projekt, das von Forschern und Ingenieuren verschiedener Hochschulen und Unternehmen beigetragen wird. Wir schätzen alle Mitwirkenden, die ihre Methoden implementieren oder neue Funktionen hinzufügen, sowie Benutzer, die wertvolle Feedbacks geben. Wir hoffen, dass die Toolbox und der Benchmark der wachsenden Forschungsgemeinschaft dienen könnten, indem sie ein flexibles Toolkit bereitstellen, um vorhandene Methoden neu aufzunehmen und ihre eigenen neuen OCR -Methoden zu entwickeln.

Zitat

Wenn Sie dieses Projekt in Ihrer Forschung nützlich finden, sollten Sie zitieren:

 @article { mmocr2022 ,
    title = { MMOCR:  A Comprehensive Toolbox for Text Detection, Recognition and Understanding } ,
    author = { MMOCR Developer Team } ,
    howpublished = { url{https://github.com/open-mmlab/mmocr} } ,
    year = { 2022 }
}

Lizenz

Dieses Projekt wird unter der Apache 2.0 -Lizenz veröffentlicht.

OpenMMLAB -Familie

• Mmengine: OpenMMMLAB -Grundlagenbibliothek für Schulungen Deep Learning Models
• MMCV: OpenMMLAB Fundamentalbibliothek für Computer Vision.
• MIM: MIM installiert OpenMMLab -Pakete.
• MMClassifizierung: OpenMMMLAB Image Classification Toolbox und Benchmark.
• Mmdetion: OpenMmlab -Erkennungs -Toolbox und Benchmark.
• MMDETECTICE3D: OpenMMLAB-Plattform der nächsten Generation für die allgemeine 3D-Objekterkennung.
• MMROTATE: OpenMMMLAB -Toolbox und Benchmark gedrehte Objekterkennung.
• MMSegmentierung: OpenMMMLAB Semantic Segmentation Toolbox und Benchmark.
• MMOCR: OpenMMLAB -Texterkennung, Erkennung und Verständnis der Toolbox.
• MMIltier: OpenMMMLAB -Pose -Schätzung Toolbox und Benchmark.
• MMHUMAN3D: OpenMMLAB 3D Human Parametric Model Toolbox und Benchmark.
• MMMELSUP: OpenMMMLAB Self-überprüfte Lern-Toolbox und Benchmark.
• MMrazor: OpenMMMLAB -Modellkomprimierungs -Toolbox und Benchmark.
• MMFewShot: OpenMMMLAB WeeShot Learning Toolbox und Benchmark.
• MMACTION2: OpenMMMLAB-Aktion der nächsten Generation, das Toolbox und Benchmark zu verstehen.
• MMTRACKING: OpenMMLAB -Videowahrnehmungs -Toolbox und Benchmark.
• MMflow: OpenMMMLAB Optical Flow Toolbox und Benchmark.
• MMediting: OpenMMMLAB -Bild- und Videobearbeitungs -Toolbox.
• MMGeneration: OpenMMMLAB -Bild- und Videogenerative Modelle Toolbox.
• MMDeploy: OpenMMLAB -Modellbereitstellungsframework.

Willkommen in der OpenMMMLAB -Community

Scannen Sie den folgenden QR -Code, um dem offiziellen Konto des OpenMMMLAB -Teams des Zhihu

Wir werden Ihnen die OpenMMLAB -Community zur Verfügung stellen

• ? Teilen Sie die neuesten Kerntechnologien von AI -Frameworks
• Erklären von Pytorch Common Modul Quellcode
• ? Nachrichten im Zusammenhang mit der Veröffentlichung von OpenMMLAB
• Einführung von modernen Algorithmen, die von OpenMMLAB entwickelt wurden? Holen Sie sich die effizientere Antwort und Feedback
• Bieten Sie eine Plattform für die Kommunikation mit Entwicklern aus allen Lebensbereichen

Die OpenMMLAB -Community freut sich auf Ihre Teilnahme! ?