PaddleOCR提供DB文本检测算法，支持MobileNetV3、ResNet50_vd两种骨干网络，可以根据需要选择相应的配置文件，启动训练。
本节以icdar15数据集、MobileNetV3作为骨干网络的DB检测模型（即超轻量模型使用的配置）为例，介绍如何完成PaddleOCR中文字检测模型的训练、评估与测试。
3.1 数据准备
本次实验选取了场景文本检测和识别(Scene Text Detection and Recognition)任务最知名和常用的数据集ICDAR2015。icdar2015数据集的示意图如下图所示：
图 icdar2015数据集示意图
该项目中已经下载了icdar2015数据集，存放在 /home/aistudio/data/data96799 中，可以运行如下指令完成数据集解压，或者从链接中自行下载。
~/train_data/icdar2015/text_localization └─ icdar_c4_train_imgs/ icdar数据集的训练数据 └─ ch4_test_images/ icdar数据集的测试数据 └─ train_icdar2015_label.txt icdar数据集的训练标注 └─ test_icdar2015_label.txt icdar数据集的测试标注
提供的标注文件格式为：
" 图像文件名 json.dumps编码的图像标注信息" ch4_test_images/img_61.jpg [{"transcription": "MASA", "points": [[310, 104], [416, 141], [418, 216], [312, 179]], ...}]
json.dumps编码前的图像标注信息是包含多个字典的list，字典中的points表示文本框的四个点的坐标(x, y)，从左上角的点开始顺时针排列。 transcription中的字段表示当前文本框的文字，在文本检测任务中并不需要这个信息。 如果您想在其他数据集上训练PaddleOCR，可以按照上述形式构建标注文件。
如果"transcription"字段的文字为'*'或者'###'，表示对应的标注可以被忽略掉，因此，如果没有文字标签，可以将transcription字段设置为空字符串。
3.2 数据预处理
训练时对输入图片的格式、大小有一定的要求，同时，还需要根据标注信息获取阈值图以及概率图的真实标签。所以，在数据输入模型前，需要对数据进行预处理操作，使得图片和标签满足网络训练和预测的需要。另外，为了扩大训练数据集、抑制过拟合，提升模型的泛化能力，还需要使用了几种基础的数据增广方法。
本实验的数据预处理共包括如下方法：
- 图像解码：将图像转为Numpy格式；
- 标签解码：解析txt文件中的标签信息，并按统一格式进行保存；
- 基础数据增广：包括：随机水平翻转、随机旋转，随机缩放，随机裁剪等；
- 获取阈值图标签：使用扩张的方式获取算法训练需要的阈值图标签；
- 获取概率图标签：使用收缩的方式获取算法训练需要的概率图标签；
- 归一化：通过规范化手段，把神经网络每层中任意神经元的输入值分布改变成均值为0，方差为1的标准正太分布，使得最优解的寻优过程明显会变得平缓，训练过程更容易收敛；
- 通道变换：图像的数据格式为[H, W, C]（即高度、宽度和通道数），而神经网络使用的训练数据的格式为[C, H, W]，因此需要对图像数据重新排列，例如[224, 224, 3]变为[3, 224, 224]；
图像解码
从训练数据的标注中读取图像，演示DecodeImage类的使用方式。
源码位置：\ppocr\data\imaug\operators.py
import os import matplotlib.pyplot as plt from paddleocr.ppocr.data.imaug.operators import DecodeImage label_path = "../train_data/icdar2015/text_localization/train_icdar2015_label.txt" img_dir = "../train_data/icdar2015/text_localization/" # 1. 读取训练标签的第一条数据 f = open(label_path, "r") lines = f.readlines() # 2. 取第一条数据 line = lines[0] print("The first data in train_icdar2015_label.txt is as follows.\n", line) img_name, gt_label = line.strip().split("\t") # 3. 读取图像 image = open(os.path.join(img_dir, img_name), 'rb').read() data = {'image': image, 'label': gt_label} # 4. 声明DecodeImage类，解码图像 decode_image = DecodeImage(img_mode='RGB', channel_first=False) data = decode_image(data) # 5. 打印解码后图像的shape，并可视化图像 print("The shape of decoded image is ", data['image'].shape) plt.figure(figsize=(10, 10)) plt.imshow(data['image']) src_img = data['image'] plt.show()
标签解码
解析txt文件中的标签信息，并按统一格式进行保存；
源码位置：ppocr/data/imaug/label_ops.py
import os from paddleocr.ppocr.data.imaug.label_ops import DetLabelEncode label_path = "../train_data/icdar2015/text_localization/train_icdar2015_label.txt" img_dir = "../train_data/icdar2015/text_localization/" # 1. 读取训练标签的第一条数据 f = open(label_path, "r") lines = f.readlines() # 2. 取第一条数据 line = lines[0] print("The first data in train_icdar2015_label.txt is as follows.\n", line) img_name, gt_label = line.strip().split("\t") # 3. 读取图像 image = open(os.path.join(img_dir, img_name), 'rb').read() data = {'image': image, 'label': gt_label} # 1. 声明标签解码的类 decode_label = DetLabelEncode() # 2. 打印解码前的标签 print("The label before decode are: ", data['label']) data = decode_label(data) print("\n") # 4. 打印解码后的标签 print("The polygon after decode are: ", data['polys']) print("The text after decode are: ", data['texts'])
基础数据增广
数据增广是提高模型训练精度，增加模型泛化性的常用方法，文本检测常用的数据增广包括随机水平翻转、随机旋转、随机缩放以及随机裁剪等等。
随机水平翻转、随机旋转、随机缩放的代码实现参考代码。随机裁剪的数据增广代码实现参考代码。
获取阈值图标签
使用扩张的方式获取算法训练需要的阈值图标签；
源码位置：ppocr/data/imaug/make_border_map.py
# 从PaddleOCR中import MakeBorderMap from ppocr.data.imaug.make_border_map import MakeBorderMap # 1. 声明MakeBorderMap函数 generate_text_border = MakeBorderMap() # 2. 根据解码后的输入数据计算bordermap信息 data = generate_text_border(data) # 3. 阈值图可视化 plt.figure(figsize=(10, 10)) plt.imshow(src_img) text_border_map = data['threshold_map'] plt.figure(figsize=(10, 10)) plt.imshow(text_border_map)
