paddleocr 训练自己的数据集

### 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。 ---