Advertisement

中文OCR训练及测试：CRNN（CNN+RNN+CTCLoss）

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本项目专注于使用CRNN模型进行中文字符识别技术的研究与实践，结合CNN、RNN和CTC损失函数优化文字序列识别精度。 训练步骤： 1. 处理train 数据集：运行命令 `python3 ./utils/make_data.py` 2. 训练网络：运行命令 `python3 train.py` 测试步骤： 1. 加载模型，将训练好的模型放入`./model/`目录中。 2. 向`test_img_list`添加需要测试的图片列表。例如: `test_img_list = [/home/tony/ocr/test_data/00023.jpg]` 3. 运行测试命令：运行命令 `python3 test_crnn.py`

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 中文OCR训练及测试：CRNN（CNN+RNN+CTCLoss）
    优质
    本项目专注于使用CRNN模型进行中文字符识别技术的研究与实践，结合CNN、RNN和CTC损失函数优化文字序列识别精度。 训练步骤： 1. 处理train 数据集：运行命令 `python3 ./utils/make_data.py` 2. 训练网络：运行命令 `python3 train.py` 测试步骤： 1. 加载模型，将训练好的模型放入`./model/`目录中。 2. 向`test_img_list`添加需要测试的图片列表。例如: `test_img_list = [/home/tony/ocr/test_data/00023.jpg]` 3. 运行测试命令：运行命令 `python3 test_crnn.py`
     
  • Tesseract-OCR的中文训练库
    优质
    Tesseract-OCR的中文训练库旨在增强开源OCR引擎Tesseract识别中文字体的能力，适用于各种文档和图像中的汉字识别任务。 将tesseractocr的中文训练库解压到Tesseract-OCR\tessdata目录中。
     
  • Tesseract-OCR的中文识别及字库训练
    优质
    本文介绍了Tesseract-OCR在处理中文文本时的应用，并详细讲解了如何针对特定需求进行中文字库的定制与优化。 使用Tesseract-OCR识别中文，并通过jTessBoxEditor训练字库以提高准确度。
     
  • CRNN预训练模型（crnn.pth）
    优质
    CRNN预训练模型（crnn.pth）是一款基于卷积循环神经网络架构的深度学习模型，专为序列数据识别任务设计，适用于场景文本检测与识别等领域。 CRNN预训练模型是一种用于序列识别任务的深度学习模型，在处理如文本检测与识别等问题上表现出色。这种模型结合了卷积神经网络（CNN）进行特征提取、循环神经网络（RNN）捕捉时间依赖性以及全连接层实现分类，特别适用于图像中的文字识别场景。
     
  • Tesseract-OCR的简体中文训练资料
    优质
    Tesseract-OCR的简体中文训练资料提供用于优化开源OCR引擎Tesseract在识别简体中文文字方面的性能的数据集和配置文件。 tesseract-ocr的简体中文语言训练数据来自Google官网，可用于识别图片中的中文验证码。对于标准字体而言，其识别效果还是相当不错的。
     
  • Tesseract-OCR eng.traineddata OCR识别训练数据文件
    优质
    Tesseract-OCR eng.traineddata 是一个专为英语设计的OCR（光学字符识别）引擎训练数据文件，用于提高英文文档图像到文本转换的准确性。 新版Tesseract-OCR tessdata eng.traineddata OCR识别训练数据文件可以自行训练。 1. 准备样本图片。 2. 打开 jTessBoxEditor ，选择 Tools -> Merge TIFF，打开对话框，选择包含所有要参与训练的样本图片所在的文件夹，并选中这些图片。 3. 弹出保存对话框，在当前路径下保存文件，命名为ty.cp.exp6.tif。 4. 在终端执行命令：tesseract ty.cp.exp6.tif ty.cp.exp6 -l ty batch.nochop makebox 5. 打开 jTessBoxEditor ，点击 Box Editor -> Open ，打开步骤2中生成的ty.cp.exp6.tif文件，会自动关联到 “ty.cp.exp6.box” 文件。 6. 使用echo命令创建字体特征文件：echo cp 0 0 0 0 0 > font_properties。输入内容为“cp 0 0 0 0 0” 7. 在终端中执行以下命令生成 ty.cp.exp6.tr 训练文件： tesseract ty.cp.exp6.tif ty.cp.exp6 nobatch box.train 8. 执行以下命令以生成字符集文件：unicharset_extractor ty.cp.exp6.box。接着，使用 mftraining 和 cntraining 生成所需数据。 mftraining -F font_properties -U unicharset -O ty.unicharset ty.cp.exp6.tr cntraining ty.cp.exp6.tr 9. 在Clustering过程中生成的4个文件（inttemp、pffmtable、normproto、shapetable）需要手工修改为[lang].xxx。这里，将它们分别改为ty.inttemp、ty.pffmtable、ty.normproto和ty.shapetable。 10. 执行以下命令以合并数据文件： combine_tessdata ty.tesseract
     
  • 基于CNN+GRU+CTC的不定长中文文本识别模型训练与测试
    优质
    本研究提出了一种结合卷积神经网络（CNN）、门控循环单元（GRU）及连接时序分类（CTC）技术的模型，用于处理不定长中文文本的自动识别任务。通过大量数据训练优化模型参数，实现在各种复杂场景下对中文文本的有效识别与理解。 Keras训练CNN+GRU+CTC不定长中文识别模型的工程代码包括了模型文件。
     
  • Halcon OCR训练指南
    优质
    《Halcon OCR训练指南》是一本详细指导读者如何使用HALCON软件进行光学字符识别（OCR）操作和参数优化的专业手册。 用于训练OCR字符识别的完整代码，请自由使用。如果上传的资源因版权、使用或内容完整性等问题被举报并通过官方审核，将扣除通过该资源获得的所有积分。
     
  • 文本分类练习：Embedding、CNN和RNN的应用
    优质
    本实践教程深入探讨了Embedding技术，并详细讲解与实操了卷积神经网络（CNN）及循环神经网络（RNN）在文本分类任务中的应用，旨在帮助学习者掌握这些模型的原理及其优化技巧。 本段落是对方法的记录，并非完整的项目流程（数据前期预处理部分省略），也没有进行调参以追求更高的准确度（因家中电脑性能不足）。 参考任务来源于Kaggle上的电影评论情感分类问题。 本研究借鉴了多种资料来源，包括斯坦福CS224N课程材料、网络博客以及Keras官方文档等资源。 核心内容： 1. 单词表示 1.1 理论部分 对于大多数（或所有）自然语言处理任务而言，第一步通常是将单词转化为模型所需的输入形式。最直接的方法是将每个单词转换为一个词向量。 词向量的几种常见表示方法包括： - one-hot 编码：这种方法直观易懂，但过于稀疏，并且无法衡量不同词语之间的相似度。 - 基于矩阵分解的方法：例如使用不同的窗口大小进行矩阵分解。
     
  • PyTorch SRCNN训练与测试代码及预训练权重
    优质
    本资源提供基于PyTorch框架实现的SRCNN模型训练与测试代码以及预训练权重文件，适用于图像超分辨率任务研究。 基于PyTorch平台的用于图像超分辨率的深度学习模型SRCNN包括网络模型、训练代码、测试代码、评估代码以及预训练权重。评估代码可以计算在RGB和YCbCr空间下的峰值信噪比（PSNR）和结构相似度。