DBNet.pytorch

Detección de texto en la escena en tiempo real con binarización diferenciable

Nota : algún código se hereda de Mhliao/DB

中文解读

actualizar

2020-06-07: 添加灰度图训练 训练灰度图时需要在配置里移除 训练灰度图时需要在配置里移除dataset.args.transforms.Normalize

Instalar con conda

 conda env create -f environment.yml
git clone https://github.com/WenmuZhou/DBNet.pytorch.git
cd DBNet.pytorch/

o

Instalar manualmente

conda create -n dbnet python=3.6
conda activate dbnet

conda install ipython pip

# python dependencies
pip install -r requirement.txt

# install PyTorch with cuda-10.1
# Note that you can change the cudatoolkit version to the version you want.
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

# clone repo
git clone https://github.com/WenmuZhou/DBNet.pytorch.git
cd DBNet.pytorch/

Requisitos

• Pytorch 1.4+
• Visión de antorchas 0.5+
• GCC 4.9+

Descargar

TBD

Preparación de datos

Datos de capacitación: prepare un text train.txt En el siguiente formato, use ' t' como separador

 ./datasets/train/img/001.jpg	./datasets/train/gt/001.txt

Datos de validación: prepare una test.txt de texto.txt En el siguiente formato, use ' t' como separador

 ./datasets/test/img/001.jpg	./datasets/test/gt/001.txt

• Almacene las imágenes en la carpeta img
• Almacene la estructura de tierra en la carpeta gt

La MotreTruth puede ser archivos .txt , con el siguiente formato:

 x1, y1, x2, y2, x3, y3, x4, y4, annotation

Tren

1. Configure el dataset['train']['dataset'['data_path']' , dataset['validate']['dataset'['data_path'] en config/icdar2015_resnet18_fpn_dbhead_polylr.yaml

• . tren de GPU único

bash singlel_gpu_train.sh

• . Entrenamiento multi-GPU

bash multi_gpu_train.sh

Prueba

eval.py se usa para probar el modelo en el conjunto de datos de prueba

1. config model_path en eval.sh
2. Use el siguiente script para probar

bash eval.sh

Predecir

Predict.py se puede usar para inferir en todas las imágenes en una carpeta

1. config model_path , input_folder , output_folder en predicto.sh
2. Use el siguiente script para predecir

 bash predict.sh

Puede cambiar el model_path en el archivo predict.sh a la ubicación de su modelo.

Consejos: si el resultado no es bueno, puede cambiar thre en Predict.SH

El proyecto aún está en desarrollo.

Actuación

ICDAR 2015

Solo entrena en el conjunto de datos ICDAR2015

Método	Tamaño de imagen (tamaño corto)	tasa de aprendizaje	Precisión (%)	Recordar (%)	F-Mesasure (%)	FPS
Synthtext-defrom-resnet-18 (papel)	736	0.007	86.8	78.4	82.3	48
Imagenet-resnet18-fpn-dbhead	736	1e-3	87.03	75.06	80.6	43
Imagenet-defrom-resnet18-fpn-dbhead	736	1e-3	88.61	73.84	80.56	36
Imagenet-resnet50-fpn-dbhead	736	1e-3	88.06	77.14	82.24	27
Imagenet-resnest50-fpn-dbhead	736	1e-3	88.18	76.27	81.78	27

ejemplos

TBD

hacer

• Entrenamiento de Mutil GPU

referencia

1. https://arxiv.org/pdf/1911.08947.pdf
2. https://github.com/wenmuzhou/panet.pytorch
3. https://github.com/mhliao/db

Si este repositorio lo ayuda, por favor, estre a la estrella. Gracias.