PaddleOCR识别框架解读[08] 文本识别rec模型构建

要注意train,test,val是分三次运行代码的，对应关系要正确

简介 PaddleOCR算法主要包含三个部分，分别是文本检测模型(detection)、文本识别模型(recognition)、方向分类器(classification)。 文本检测模型(detection) 模型介绍 PaddleOCR开源的文本检测算法列表： DB(paper) [2]（ppocr推荐） EAST(paper)[1] SAST(paper)[4] 在ICDAR2015文本检测公开数据集上，算法效果如下： 模型 骨干网络 precision recall Hmean

高准确率：在常规印刷和清晰手写场景中表现优秀；可复用性强：代码结构清晰，便于集成到教学或业务系统；可视化支持：提供实时图像标注，助力人工复核和验证；本系统已在教学和试卷图像处理测试中表现稳定，推荐用于相关 OCR 任务的原型验证和小规模部署。

下载的paddleocr的2.3版本。地址是paddleocr 检测模块用的是 det模块跑的慢，所以训练了一下rec模块。 默认的字典在ppocr_keys_v1.txt文件里面，6000多个符号。有些字识别的不是很好。从中挑选了60个字符，以同样的格式保存了一个txt文件（UTF-8格式）。在配置文件中把字典换为保存的txt文件名 这里为了方便生成训练图片只挑选了60个字。这里改字典好像还不起作用，需要在paddleocr.py文件中做修改如下： 把 for action in parser

tensorRT是nvdia GPU模型部署的一个框架，似乎只是部分开源，github地址.大多数时候用这个框架去部署模型效果提升还是比较好的。

paddleocr分为文字定位(Det)和文字识别(Rec)两个部分。训练paddleocr

本篇导读：在上一章【《深入浅出OCR》第五章：端到端文字识别】，本人着重介绍端到端识别算法的发展、分类及各自领域经典算法，为了进一步熟悉端到端识别流程，本次作者将以基于PGNet的端到端识别实战为例，全面对端到端识别技术流程进行解读，方便学习者快速上手实战。

本篇导读：在上一章【《深入浅出OCR》第三章：OCR文字检测】，本人着重介绍文字检测算法的发展、分类及各自领域经典算法，为了进一步熟悉文字检测流程，本次作者将以基于DBNet的文字检测实战为例，全面对文字检测技术流程进行解读，方便学习者快速上手实战。

一、前期准备1、代码2、标注工具二、环境配置库的安装：在文件配置完后，训练后时看缺什么库就安什么库三、文件配置。

文章目录0. 前言1. OpenVINO 在 VS2019 中的配置2. OpenVINO 模型推理程序梗概 0. 前言 目标：在 Windows 上运行 OpenVINO 2021.4 版 实现路径： 之前打算用 CMake + MinGW + VSCode 的方案在 Windows 下进行 C++ 开发，但在执行 cmake 命令阶段就爆出一个 This Intel TBB package is intended to be used only in the project with MSVC

安装参考：https://github.com/PaddlePaddle/PaddleOCR/blob/dygraph/doc/doc_ch/installation.md 安装 1.安装cpu版本paddle python -m pip install paddlepaddle==2.0.0rc1 -i https://mirror.baidu.com/pypi/simple 2.用码云下载paddleocr项目并解压 https://gitee.com/paddlepaddle/PaddleOCR 3.

原始版本在ocr_rec.cpp里的106行开始。使用的是paddleocr的代码。

paddleocr ocr 百度飞桨 模型训练 ocr训练 rec识别模型训练

paddleocr进行图片检测、识别、分类

在实际任务中，原始数据集未必完全含有解决任务所需要的充足信息。通过分析任务场景的复杂性和当前数据集的短板，对现有数据有针对性做一些数据增强/增广的策略的修改，以提供更加多样性的、匹配任务场景复杂性的新数据，往往可以显著的提高模型效果。数据增强是一种挖机数据集潜力的方法，可以让数据集蕴含更多让模型有效学习的信息。这些方法是领域和任务特定的，扩大训练数据集，抑制过拟合，提升模型的泛化能力。

总结了FCENet论文，基于PaddleOCR详解FCENet代码