DBNet.pytorch

Détection de texte de la scène en temps réel avec binarisation différenciable

Remarque : un code est hérité de Mhliao / DB

中文解读

mise à jour

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

Installer en utilisant conda

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

ou

Installer manuellement

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/

Exigences

• pytorch 1.4+
• TorchVision 0,5+
• GCC 4.9+

Télécharger

TBD

Préparation des données

Données de formation: Préparez un train.txt texte.txt dans le format suivant, utilisez ' t' comme séparateur

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

Données de validation: Préparez un test.txt de texte.txt dans le format suivant, utilisez ' t' comme séparateur

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

• Stocker des images dans le dossier img
• Stocker GroundTruth dans le dossier gt

Le GroundTruth peut être des fichiers .txt , avec le format suivant:

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

Former

1. config le dataset['train']['dataset'['data_path']' , dataset['validate']['dataset'['data_path'] dans config / icdar2015_resnet18_fpn_dbhead_polylr.yaml

• . train GPU unique

bash singlel_gpu_train.sh

• . Formation multi-GPU

bash multi_gpu_train.sh

Test

EVAL.PY est utilisé pour tester le modèle sur Test DataSet Test

1. config model_path dans ev.sh
2. Utilisez le script suivant pour tester

bash eval.sh

Prédire

Predict.py peut être utilisé pour l'inférence sur toutes les images d'un dossier

1. config model_path , input_folder , output_folder dans prédire.sh
2. Utilisez le script suivant pour prédire

 bash predict.sh

Vous pouvez modifier le model_path dans le fichier predict.sh en emplacement de modèle.

Conseils: si le résultat n'est pas bon, vous pouvez en changer thre dans Prédire.sh

Le projet est toujours en cours de développement.

Performance

ICDAR 2015

Entraîner uniquement sur l'ensemble de données ICDAR2015

Méthode	Taille de l'image (taille courte)	taux d'apprentissage	Précision (%)	Rappel (%)	F-Mesure (%)	FPS
Synthtext-defrom-RESNET-18 (papier)	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-Respnet18-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

exemples

TBD

faire

• formation GPU mutil

référence

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

Si ce référentiel vous aide, veuillez le jouer. Merci.