【模型训练-1】【Windows-PaddleOCR-ocr模型训练（CPU）】数据标注

直跳下一节：第二节-模型训练

第一节-数据采集

使用ocr的使用对硬件设备有比较高的依赖。网上下的模型没有GPU的加持识别效率不高，完成自有模型的训练在相同硬件设备的基准上能大大提高识别效率，加速脚本执行效率。看一组数据：

训练了自己的模型识别耗时1000ms，相同的图片网上随便下的模型4000ms

接下来可以根据下面的操作手册，一步步跟着完成模型数据的准备。当日如果想急着使用，该模块的内容可以后面骨架完成搭建后再去训练自己的模型，可以先使用网上训练好的模型、自带的模型。

一、基础环境准备-制作数据集

python 3.10 --python环境安装不过多赘述

*.先安装PaddlePaddle再安装PaddleOCR
pip install PaddlePaddle
pip install PaddleOCR
*. 安装图形标注工具：pip install PPOCRLabel 或在官网下载
https://github.com/PaddlePaddle/PaddleOCR/tree/release/2.7

安装过程如果出现：error: Microsoft Visual C++ 14.0 or greater is required. Get it with “Microsoft C++ Build Tools“ 错误。可参考：点击查看解决方案地址

1.1PPOCRLabel 拷贝到操作项目路径

我这里是新建了个ocr_ui_test的目录，将PPOCRLable拷贝了进来

1.2PPOCRLabel根目录下，终端运行: python PPOCRLabel.py --lang ch

python PPOCRLabel.py --lang ch # 启动【普通模式】，用于打【检测+识别】场景的标签
python PPOCRLabel.py --lang ch --kie True # 启动【KIE 模式】，用于打【检测+识别+关键字提取】场景的标签
运行后，稍等一会儿会有gui窗口出来

这个过程可能需要几分钟的时间，编译这个gui窗口。

二、标注数据准备

2.1图片标注确认

自动标注完后，检查标注内容是否异常，这个时候还可以继续调整标注，接着依次确认标注图片

2.2导出标记

打标操作完后，点击文件->导出标记结果和点击文件->导出识别结果，完成后文件夹里多出四个文件crop_img、fileState、Label、rec_gt。
*crop_img中的图片用来训练文字识别模型
*fileState记录图片的打标完成与否
*Label为训练文字检测模型的标签
*rec_gt为训练文字识别模型的标签

2.3整理数据集

PPOCRLabel根目录下，终端运行：python gen_ocr_train_val_test.py --trainValTestRatio 6:2:2 –-datasetRootPath 打标导出的文件的绝对路径
参数说明：
trainValTestRatio 是训练集、验证集、测试集的图像数量划分比例，根据实际情况设定，默认是6:2:2
datasetRootPath 是PPOCRLabel标注的完整数据集存放路径。 ./train_data/
detRootPath 训练文字检测的数据集存放路径。 ./train_data/det
recRootPath 训练文字识别的数据集存放路径。 ./train_data/rec

python gen_ocr_train_val_test.py --trainValTestRatio 6:2:2 –-datasetRootPath F:\ocr_ui_test\image

报错的是这个文件，根据错误提示在这个文件的main函数中把os包手动引入一下
执行成功了这个就是执行后的输出结果

rec是用来训练文字识别的数据集，det是用来训练文字检测的数据集,

三、总结整理

遇到了几个问题：

1.PPOCRLabel 安装报错：error: Microsoft Visual C++ 14.0 or greater is required. Get it with “Microsoft C++ Build Tools“ 错误
2.整理数据集的时候，gen_ocr_train_val_test.py报错

第一个问题，我单独输出一个内容，可以直接参考，也可以在网上自行找更快的方法。直达链接
第二个问题：是os包没有办法应用，可能是路径问题，我们直接修改gen_ocr_train_val_test 文件代码即可，该文件在\PPOCRLabel目录下。在代码中可以看到detRootPath，recRootPath，recLabelFileName，recImageDirName都是有默认值的，如果需要调整的，可以自行调整。

if __name__ =="__main__":# 功能描述：分别划分检测和识别的训练集、验证集、测试集# 说明：可以根据自己的路径和需求调整参数，图像数据往往多人合作分批标注，每一批图像数据放在一个文件夹内用PPOCRLabel进行标注，# 如此会有多个标注好的图像文件夹汇总并划分训练集、验证集、测试集的需求import os #增加了它import shutil
    import random
    import argparse
    parser = argparse.ArgumentParser()
    parser.add_argument("--trainValTestRatio",type=str,
        default="6:2:2",help="ratio of trainset:valset:testset")
    parser.add_argument("--datasetRootPath",type=str,
        default="../train_data/",help="path to the dataset marked by ppocrlabel, E.g, dataset folder named 1,2,3...")
    parser.add_argument("--detRootPath",type=str,
        default="../train_data/det",help="the path where the divided detection dataset is placed")
    parser.add_argument("--recRootPath",type=str,
        default="../train_data/rec",help="the path where the divided recognition dataset is placed")
    parser.add_argument("--detLabelFileName",type=str,
        default="Label.txt",help="the name of the detection annotation file")
    parser.add_argument("--recLabelFileName",type=str,
        default="rec_gt.txt",help="the name of the recognition annotation file")
    parser.add_argument("--recImageDirName",type=str,
        default="crop_img",help="the name of the folder where the cropped recognition dataset is located")
    args = parser.parse_args()
    genDetRecTrainVal(args)

参考文献

官方md