FOTS

本项目基于Ning Lu以及DongLiang Ma还有其他优秀的开源项目的共同实现的FOTS。感恩所有开源项目的贡献者。

识别样张【持续更新】

场景1：特定部分文本

HOW TO RUN

全局参数配置

字段	作用	参考值	备注
name	项目名称	FOTS_2019-05-11_自有数据	你高兴就好
cuda	是否用显卡	true	有的话还是用吧
gpus	配置多显卡并行训练	[0]	`nvidia-smi` 看下自己想用的显卡的id
finetune	finetune	""	finetune的模型一定要是同mode的，不然报错
data_loader	数据集配置	详情查看下方
validation	验证集配置	详情查看下方
lr_scheduler_type	学习率调度类型	ExponentialLR	线性、指数、自定义，你高兴就好
lr_scheduler_freq	学习率调度频率	50	根据模型的收敛速度自行调整
lr_scheduler	学习率调度函数的参数		根据调度器类型不同，自行传参
optimizer_type	优化器类型	Adam	PyTorch支持的优化器类型
optimizer	优化器具体参数		根据优化器类型不同，自行传参
loss	损失函数	FOTSLoss	目前只有支持这个loss
metrics	度量函数	fots_metrics	recognition_metric和detection_metric未去做实现
trainer	训练器参数	详情查看下方
arch	算法模型	FOTSModel	目前只有FOTSModel
model	FOTSModel的参数	详情查看下方	会更新的很频繁

数据集配置【data_loader】

字段	作用	参考值	备注
dataset	选择特定类型的数据集	icdar2015、mydataset	如果自己数据格式比较特殊，在`data_loader\dataset.py`中自行增加
data_dir	数据集所在文件夹	trainging_gt,training_images	必须包含图像和ground truth文件夹
annotation_dir	标注数据所在文件夹	training_gt	功能还未完善
batch_size	batch大小	32	太大的话显存撑不住
shuffle	随机排布	true	别管那么多，true就对了
workers	配置datasetloader的构建效率	0	1. docker内需要传递环境参数，否则会报错 2. 如果get_item的效率比较低，强烈建议多开几个，否则gpu会赋闲。

ICDAR2015

修改配置文件如下：

{
    "data_loader": {
        "dataset":"icdar2015",
        "data_dir": "/mnt/disk1/dataset/icdar2015/4.4/training",
        "batch_size": 16,
        "shuffle": true,
        "workers": 0 
    }
}

自有数据

修改配置文件如下：

{
  "data_loader": {
        "dataset":"mydataset",
        "image_dir": "/data/OCR/自有数据/own_dataset/training_images",
        "annotation_dir": "/data/OCR/自有数据/own_dataset/training_gt",
        "batch_size": 4,
        "shuffle": true,
        "workers": 0
    }
}

验证集配置【validation】

"validation": {
    "validation_split": 0.15,
    "shuffle": true
}

由于训练和测试是采用固定比例的方式，其中validation_split表示测试集所占比例，shuffle为是否重排。

训练器参数【trainer】

"trainer": {
    "epochs": 10000,
    "save_dir": "/path/to/save_model",
    "save_freq": 1,
    "verbosity": 2,
    "monitor": "loss",
    "monitor_mode": "min"
}

训练器参数中epochs表示总的训练回合数，save_dir表示模型存储的位置，最终模型所在位置为save_dir/name下面，其中name为全局变量中的项目名称。save_freq表示每N个epoch存储一次模型。verbosity为设置logger显示等级，monitor与monitor_mode是为了生成最优模型model_best.pth.tar文件而生的，在默认的信息输出默认为：

[val_]loss 全局损失
[val_]det_loss 文本检测损失
[val_]rec_log 文本识别损失
[val_]precious metric中定义的精度
[val_]recall metric中定义的召回率
[val_]hmean metric中定义的Fscore

示例中为希望loss越小越好。当然也可以设置为precious越大越好，即：monitor为precious，monitor_mode为max。

FOTSModel参数【model】

"model": {
    "mode": "united",
    "scale": 512,
    "crnn": {
        "img_h": 16,
        "hidden": 1024
    },
    "keys": "number_and_dot"
}

NOTE

这块还没有完善，可以根据个人需要自己定制。

mode有三个模式可以选，分别为：recognition只进行识别模型的训练，detection只进行检测模型的训练，united检测和是别一起训练。如果是需要测试某个单一模块，那么可以自行选择是检测还是识别，默认是一起训练。

scale参数暂时还未适配完成，后面会用于调整识别画幅大小。

crnn中的img_h为ROIRotate后传入CRNN的模型的FeatureMap的高度，此处必须是8的倍数。hidden为crnn中BiLSTM中的隐层的个数，具体参数自行调整。

keys为当前识别所用到的字符集，如果需要添加或查看已有字符集，请移步：common_str.py

训练

python train.py -c \path\to\your\config.json

评估

python eval.py -m \path\to\your\model.pth.tar -i \path\to\eval\images -o \path\to\output\result

gRPC服务

在service文件夹下面查看详情

原理解释

NOTE

本项目已经跟原论文有一定差异了，为了更好收敛模型做的各种调整，以适用于实际场景。而且到后面可能都不是FOTS，所以请大家不要纠结是否跟原论文一致。效果好就行了。

网络结构图

本质上来说当前FOTS是升级版east+crnn的实现。与普通的两个模型简单粗暴的合在一起不一样，FOTS是把两个模型放到同一个大模型里面了，也就是梯度下降能应用于两个部分。模型结构如下图所示：

NOTE

其中论文中类FPN的部分是det和rec共享，但是在训练的时候发现只能方便det或者rec进行收敛，如果要保证这个部分收敛，那么就需要更大的参数规模，所以为了方便起见，这里直接使用两个类FPN的部分，分别用于det和rec，这样模型更容易收敛。

其中det部分训练就是普通的目标检测模型的训练。rec的部分是将ground-truth中的rbox区域的FeatureMap进行ROIRotate（本质上来说就是完成了仿射变换），然后做为CRNN的输入。

训练的时候det部分将得到的rbox，对rec的类FPN的FeatureMap的rbox区域进行ROIRotate，然后传入CRNN。

整个模型总的来说还是算OneStage。

TODO

利用apex，将模型从float32变换到float16
CRNN的lstm的step参数可调，使得rec部分可以支持cnn+ctc部分
超长文本识别
适配TextSnake

soldierofhell/FOTS_PyTorch