paddleocr训练自己的数据集

### 使用 PaddleOCR 训练公开数据集 为了利用 PaddleOCR 框架训练公开数据集，需遵循一系列配置和操作流程。PaddleOCR 支持多种预处理方式以及灵活的数据加载机制，这有助于提高模型性能并适应不同场景下的 OCR 需求。 #### 准备环境与依赖项 安装 PaddleOCR 及其所需依赖库是首要任务。通过 pip 安装命令可以快速完成这一过程： ```bash pip install paddleocr ``` 确保已正确设置 Python 环境，并且版本兼容于当前使用的 PaddleOCR 版本[^1]。 #### 获取并准备数据集 选择合适的公开数据集对于训练至关重要。常见的 OCR 数据集包括 ICDAR、COCO Text 和 SynthText 等。下载选定的数据集后，按照官方文档说明将其转换成适合输入给 PaddleOCR 的格式。通常情况下，这意味着要创建图像文件夹并将对应的标签保存在一个单独的文本文件里，每行对应一张图片及其标注信息。 #### 修改配置文件 进入 `train` 文件夹下找到默认配置文件（通常是 yaml 格式的），根据实际需求调整参数设定。比如指定 GPU 设备数量、批次大小(batch size)、迭代次数(max_iter)，还有学习率策略等超参调优选项。特别注意的是，在多卡环境下可能还需要额外配置分布式训练的相关参数。 #### 开始训练 一切就绪之后就可以启动训练脚本了。一般而言，可以通过如下指令来执行训练过程： ```bash python tools/train.py -c configs/rec/ch_ppocr_v2_0_rec_train.yml ``` 上述命令中的 `-c` 参数后面跟的就是之前编辑好的配置文件路径。随着训练进度推进，可以在日志输出中观察到损失函数的变化趋势以及其他监控指标的表现情况。 #### 测试与评估 当训练完成后，应当对生成的模型进行全面测试以验证效果好坏。借助内置工具或第三方评测平台都可以实现这一点。此外，如果希望进一步优化现有成果，则可以根据反馈继续微调网络结构或是探索其他改进措施。

### 如何使用 PaddleOCR 训练自定义数据集 #### 数据准备 为了训练自定义数据集，需按照指定的目录结构组织数据。以下是典型的文件夹结构[^3]： ``` |-train_data |-rec |- rec_gt_train.txt |- train |- word_001.png |- word_002.jpg |- word_003.jpg ... ``` `rec_gt_train.txt` 文件用于存储标注信息，每一行对应一张图片及其标签。例如： ``` word_001.png label1 word_002.jpg label2 ... ``` 对于验证集 `val` 的标注文件，则命名为 `rec_gt_val.txt` 并存放在相同的路径下。 #### 修改配置文件 PaddleOCR 提供了默认的配置文件模板，位于 `ppocr/configs/` 路径下。针对自定义数据集，需要修改以下几个关键参数[^1]: - **Global 参数**: 设置随机种子、日志间隔等全局变量。 - **Train Dataset 和 Eval Dataset**: 定义训练和验证的数据源路径以及转换方式。 - **Optimizer**: 根据需求调整优化器的学习率和其他超参数。 下面是一个简单的 YAML 配置示例: ```yaml Global: use_gpu: true epoch_num: 50 log_smooth_window: 20 print_batch_step: 10 save_model_dir: ./output/rec_custom/ eval_batch_step: [0, 500] cal_metric_during_train: True Architecture: model_type: rec algorithm: CRNN Transform: null Backbone: name: MobileNetV3 scale: 0.5 Neck: name: SequenceEncoder encoder_type: rnn Head: name: CTCHead fc_decay: 0.0004 Loss: name: CTCLoss Optimizer: name: Adam beta1: 0.9 beta2: 0.999 lr: name: Cosine learning_rate: 0.001 PostProcess: name: CTCLabelDecode Metric: name: RecAccuracy Train: dataset: name: SimpleDataSet data_path: ./train_data/rec/train/ label_file_list: ['./train_data/rec/rec_gt_train.txt'] loader: shuffle: true batch_size_per_card: 64 drop_last: true transform_ops: - DecodeImage: {img_mode: BGR} - ResizeNormForRec: {image_shape: [3, 32, 320]} - KeepKeys: {keep_keys: ['image', 'label']} Eval: dataset: name: SimpleDataSet data_path: ./train_data/rec/val/ label_file_list: ['./train_data/rec/rec_gt_val.txt'] loader: batch_size_per_card: 64 drop_last: false transform_ops: - DecodeImage: {img_mode: BGR} - ResizeNormForRec: {image_shape: [3, 32, 320]} - KeepKeys: {keep_keys: ['image', 'label']} ``` #### 开始训练 完成上述准备工作后，可以运行以下命令启动训练过程: ```bash python tools/train.py -c configs/rec/rec_chinese_lite_train_v3.yaml ``` 如果需要调试模式或者查看更详细的日志输出，可以通过增加 `-o Global.debug=True` 来启用调试选项。 #### 数据校验 在正式训练之前，建议先执行数据校验以确保数据质量良好[^2]。这一步骤可以帮助发现潜在的问题，比如图像损坏或标注错误。 ---