DBNet.pytorch

Обнаружение текста сцены в реальном времени с дифференцируемой бинаризацией

Примечание : какой -то код унаследован от mhliao/db

中文解读

обновлять

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

Установите с помощью Conda

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

или

Установить вручную

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/

Требования

• Pytorch 1.4+
• TOCLEVISION 0,5+
• GCC 4.9+

Скачать

TBD

Подготовка данных

Данные обучения: подготовьте текстовый train.txt в следующем формате, используйте ' t' в качестве разделителя

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

Данные валидации: подготовьте текстовый test.txt

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

• Хранить изображения в папке img
• Хранить Groundtruth в папке gt

Groundtruth может быть файлами .txt , со следующим форматом:

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

Тренироваться

1. Конфигурация dataset['train']['dataset'['data_path']' , dataset['validate']['dataset'['data_path'] в config/icdar2015_resnet18_fpn_dbhead_polylr.yaml

• Полем Одиночный графический поезд

bash singlel_gpu_train.sh

• Полем Обучение мульти-GPU

bash multi_gpu_train.sh

Тест

eval.py используется для тестирования модели в тестовом наборе данных

1. config model_path в eval.sh
2. Используйте следующий скрипт для тестирования

bash eval.sh

Предсказывать

прогноз.py может быть использован для вывода на всех изображениях в папке

1. config model_path , input_folder , output_folder in pregrate.sh
2. Используйте следующий сценарий, чтобы предсказать

 bash predict.sh

Вы можете изменить model_path в файле predict.sh на местоположение вашей модели.

Советы: если результат не очень хорош, вы можете изменить thre

Проект все еще находится в стадии разработки.

Производительность

ICDAR 2015

Тренась только на наборе данных ICDAR2015

Метод	Размер изображения (короткий размер)	скорость обучения	Точность (%)	Отзывать (%)	F-мера (%)	Кадр
Synthtext-Defrom-Resnet-18 (бумага)	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

примеры

TBD

Тодо

• Обучение графическим процессам -графическим процессам

ссылка

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

Если этот репозиторий поможет вам, пожалуйста, составит его. Спасибо.