1、环境的安装和开源项目的下载

        首先我个人建议，玩深度学习的话，不管是工作还是学习，最起码要配一个有GPU的电脑。我个人有着血淋淋的教训，我本人是电气工程的一名学生，本科期间一点深度学习和机器学习的基础都没有，读研的时候就带着自己大一的时候买的笔记本电脑（没有GPU）去了读研的学校。我的实验室是大家带上自己的电脑工作学习的。因为没有GPU很多实验跑的特别慢，学习起来也很痛苦。后面实习的时候搞得是计算机视觉相关的工作，没有GPU简直没有办法学习了，后面毅然花钱买了一个好点的电脑，现在学习起来的确快了很多很多。所以建议大家配一个最少带有GPU的电脑去玩计算机视觉。

1.1 paddlepaddle深度学习环境配置

        paddlepaddle环境的配置可以参考我的博客，利用Anaconda安装pytorch和paddle深度学习环境+pycharm安装—免额外安装CUDA和cudnn（适合小白的保姆级教学）https://blog.csdn.net/didiaopao/article/details/119787139?spm=1001.2014.3001.5501https://blog.csdn.net/didiaopao/article/details/119787139?spm=1001.2014.3001.5501

1.2、克隆paddleocr开源项目

        现在很多计算机视觉的项目都是开源的，开源的项目基本上都在github上，因此我们可以去GitHub上去学习别的大佬的项目经验。paddleocr的项目地址。打开以后就可以看到如下的界面了。我们只需要点如图的那个位置，下载我们的项目代码就行，由于项目代码是一个压缩包，就需要我们去解压。这里要注意一点是克隆develop这个分支版本的，develop：基于Paddle静态图开发的分支，推荐使用paddle1.8 或者2.0版本，该分支具备完善的模型训练、预测、推理部署、量化裁剪等功能，领先于release/1.1分支。

2、算法的介绍

        OCR文字的识别一般分为两个步骤，一般首先要检测到图片中字符的位置，如果字符的位置检测不到就更不用提文字的识别了。所以如果要训练自己的OCR文字识别模型的话。首先要训练文本检测模型，再去训练文本识别模型，最后将两个模型组合一起就可以进行OCR文字识别了。

2.1、文本检测算法

        paddleocr所用的文本检测算法如下图所示，需要了解算法原理的可以自己去看算法的相关论文。

         文本检测的模型的骨干网络有两个系列，一个是ResNet系列，一个是MobileNet系列。总体来看同一网络模型不同的骨干网络，ResNet系列的效果要由于MobileNet系列的。

 2.2、数据准备

        深度学习训练自己的模型就需要收集自己的数据集，利用paddlepaddle深度学习框架训练模型的话，就需要利用PPOCRLabel这个工具去给训练图片打标签。所以该次实验就用icdar2015数据集，icdar2015数据集可以从官网下载到，首次下载需注册。因为下载还需要注册，而且该数据集不符合我们的Padleocr的数据集格式，虽然官方提供了数据格式转换脚本，可以将官网 label 转换支持的数据格式。但是还是比较的麻烦的。

        为此我这里有一份可以直接用的icdar数据集，链接：百度云盘链接提取码：7j0u 

         这个数据集里面包含着文本检测和文本识别的数据集，该博客讲述的文本检测模型的训练，文本识别后面会讲，所以也会用到这个数据集。数据集解压后如下图所示：

         打开det文件夹后其中有四个文件，如下图所示，j将图中的文件夹解压到对应的文件夹中。（解压后可以选择将压缩包删除）

         解压后的文件夹如下图所示：

       这四个文件分别对应如下信息：

  └─ train/             icdar数据集的训练数据
  └─ test/              icdar数据集的测试数据
  └─ train_label.txt    icdar数据集的训练标注
  └─ test_label.txt     icdar数据集的测试标注

         提供的标注文件格式如下，中间用”\t”分隔：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 表示当前文本框的文字，当其内容为“###”时，表示该文本框无效，在训练时会跳过。如果您想在其他数据集上训练，可以按照上述形式构建标注文件。

" 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]]}, {...}]

        我们来直观的看下真实的图片数据和label数据。

         最后将文件按如下的目录结构来，这样的目的是为了方便同一，修改训练参数的时候可以尽量少改参数。

        至此，数据准备阶段就全部结束，后面就可以开始训练模型了。

 三、文本检测模型的训练

3.1模型的快速训练

        首先下载模型backbone的pretrain model，PaddleOCR的检测模型目前支持两种backbone，分别是MobileNetV3、ResNet_vd系列， 您可以根据需求使用PaddleClas中的模型更换backbone， 对应的backbone预训练模型可以从PaddleClas repo 主页中找到下载链接。有些人问，我训练自己的数据集，我不用预训练模型行不行，答案是可以的，但是这样的模型的训练收敛起来比较慢，所以还是用预训模型来训练。如上的链接中有大量的文本检测的预训练权重，如下图所示，大家可以根据自己的需求去下载相应的权重，需要性能的就去下载小模型，需要精度就去下载大模型。

         我这里下载的是MobileNetV3_large_x0_5_pretrained.pdparams，这个模型，如下图所示：

3.2 修改yaml文件参数

        将在github上下载好的paddleocr开源代码用pycharm打开，将上面准备的数据集放到如下图的位置下，将我们下载的预训练权重放到pretrain_models（该文件夹没有，需要自己创建）文件夹下。

         找到configs这个目录打开，找到det_mv3_db.yml这个yml文件，修改其中的文件来训练我们的模型，我们选用的文字检测，MobileNetV3这个网络骨干，db文字检测算法来训练我们的网络参数。

         其中yaml文件中的参数如链接所示：

         这里要特别注意如下几点：

1、填写预训练权重的那一行参数的位置，预训练权重是不需要填写后缀名的。

 2、填写训练数据集和验证数据集及其对应的标签路径的时候，首先最好填写相应路径的绝对路径，然后将绝对路径的\这个符号改成/，然后在填写数据集的路径的时候，只需要填写到数据图片目录最外面一层路径就可以了（如图到text_localization这层就可以了，这层后面加一个/就可以了）。标签的路径填写标签的绝对路径就行。

 3、我的电脑的显卡内存是6GB，显卡为3060系列的显卡，训练集和验证集的batch_size_per_card、num_workers这两个参数必须为如下两个参数值的大小，否则训练的时候会爆出显存溢出的情况，大家可以根据自己显卡的型号修改如下的参数的大小。

3.3  开始训练

        将如上的设置弄好了以后，就可以训练我们的数据了。打开pycharm的控制台。在控制台中输入如下的命令，这段命令的意思是，利用det_mv3_db.yml文件中的参数，进行文字检测的训练。

python tools/train.py -c configs/det/det_mv3_db.yml

        训练结束以后，会在output目录中生成权重文件，和一些其他的信息，如下图所示：

         如果训练程序中断，如果希望加载训练中断的模型从而恢复训练，可以通过指定Global.checkpoints指定要加载的模型路径：

python3 tools/train.py -c configs/det/det_mv3_db.yml -o Global.checkpoints=./your/trained/model

        注意：Global.checkpoints的优先级高于Global.pretrain_weights的优先级，即同时指定两个参数时，优先加载Global.checkpoints指定的模型，如果Global.checkpoints指定的模型路径有误，会加载Global.pretrain_weights指定的模型。

测试检测效果

测试单张图像的检测效果，打开pycharm的控制台，输入如下的命令。地址要填正确。

python tools/infer_det.py -c configs/det/det_mv3_db.yml -o Global.infer_img="./doc/imgs_en/img_10.jpg" Global.pretrained_model="./output/det_db/best_accuracy"

检测的效果如下图，可以看出，检测的效果还是很不错的。 

测试DB模型时，调整后处理阈值

python tools/infer_det.py -c configs/det/det_mv3_db.yml -o Global.infer_img="./doc/imgs_en/img_10.jpg" Global.pretrained_model="./output/det_db/best_accuracy"  PostProcess.box_thresh=0.6 PostProcess.unclip_ratio=1.5

测试文件夹下所有图像的检测效果

python tools/infer_det.py -c configs/det/det_mv3_db.yml -o Global.infer_img="./doc/imgs_en/" Global.pretrained_model="./output/det_db/best_accuracy"