MXNet之CNN:自定义CNN-OCR算法训练车牌数据集(umpy.ndarray格式数据)实现车牌照片字符识别并评估模型

举报
一个处女座的程序猿 发表于 2021/03/27 00:13:52 2021/03/27
【摘要】 MXNet之CNN:自定义CNN-OCR算法训练车牌数据集(umpy.ndarray格式数据)实现车牌照片字符识别并评估模型 导读 利用CNN-OCR算法训练车牌数据集评估模型并实现车牌照片字符识别,训练中的车牌数据集是Numpy.ndarray格式数据,当然也可以进一步生成图片,方便直接查看。     目录 输出结果 设计思路 核心代码 更多输出 ...

MXNet之CNN:自定义CNN-OCR算法训练车牌数据集(umpy.ndarray格式数据)实现车牌照片字符识别并评估模型

导读
利用CNN-OCR算法训练车牌数据集评估模型并实现车牌照片字符识别,训练中的车牌数据集是Numpy.ndarray格式数据,当然也可以进一步生成图片,方便直接查看。

 

 

目录

输出结果

设计思路

核心代码

更多输出


 

 

 

输出结果

gen_sample之后




 

1、训练感悟

22:58训练记录:我勒个去,跑了半天,准确度还没上来,啊啊啊,要疯了……

 

相关文章:
生成图片,CV:设计自动生成汽车车牌图片算法(cv2+PIL)根据指定七个字符自动生成逼真车牌图片数据集(带各种噪声效果)
MXNet之CNN:自定义CNN-OCR算法训练车牌数据集(umpy.ndarray格式数据)实现车牌照片字符识别并评估模型

 

设计思路

第一次

第二次

 

 

总思路

 

 

 

核心代码

后期更新……


  
  1. class GenPlate:
  2. def __init__(self,fontCh,fontEng,NoPlates):
  3. self.fontC = ImageFont.truetype(fontCh,43,0);
  4. self.fontE = ImageFont.truetype(fontEng,60,0);
  5. self.img=np.array(Image.new("RGB", (226,70),(255,255,255)))
  6. ……
  7. def draw(self,val):
  8. offset= 2 ;
  9. self.img[0:70,offset+8:offset+8+23]= GenCh(self.fontC,val[0]);
  10. ……
  11. return self.img
  12. def generate(self,text): #generate()方法,
  13. # print('text', text, len(text))
  14. if len(text) == 7: # 9
  15. # print('开始运行if语句')
  16. fg = self.draw(text);
  17. ……
  18. def genPlateString(self,pos,val): #定义genPlateString函数
  19. ……
  20. for unit,cpos in zip(box,range(len(box))):
  21. if unit == 1:
  22. plateStr += val
  23. else:
  24. if cpos == 0:
  25. plateStr += chars[r(31)]
  26. elif cpos == 1:
  27. plateStr += chars[41+r(24)]
  28. else:
  29. plateStr += chars[31 + r(34)]
  30. return plateStr;
  31. def genBatch(self, batchSize,pos,charRange, outputPath,size):
  32. if (not os.path.exists(outputPath)):
  33. os.mkdir(outputPath)
  34. l_plateStr = []
  35. l_plateImg = []
  36. for i in range(batchSize):
  37. plateStr = G.genPlateString(-1,-1)
  38. img = G.generate(plateStr);
  39. img = cv2.resize(img,size);
  40. l_plateStr.append(plateStr)
  41. l_plateImg.append(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
  42. return l_plateStr,l_plateImg

 

 

更多输出


  
  1. start
  2. start
  3. [21:56:28] c:\jenkins\workspace\mxnet-tag\mxnet\src\operator\tensor\./matrix_op-inl.h:189: Using target_shape will be deprecated.
  4. 2019-05-04 21:56:28,024 Start training with [cpu(0)]
  5. [21:56:28] c:\jenkins\workspace\mxnet-tag\mxnet\src\operator\tensor\./matrix_op-inl.h:189: Using target_shape will be deprecated.
  6. [21:56:28] c:\jenkins\workspace\mxnet-tag\mxnet\src\operator\tensor\./matrix_op-inl.h:189: Using target_shape will be deprecated.
  7. 2019-05-04 21:56:50,213 Epoch[0] Batch [0-50] Speed: 18.52 samples/sec Accuracy=0.000000
  8. 2019-05-04 21:57:11,041 Epoch[0] Batch [50-100] Speed: 19.21 samples/sec Accuracy=0.000000
  9. 2019-05-04 21:57:37,527 Epoch[0] Batch [100-150] Speed: 15.10 samples/sec Accuracy=0.000000
  10. 2019-05-04 21:58:04,827 Epoch[0] Batch [150-200] Speed: 14.65 samples/sec Accuracy=0.000000
  11. 2019-05-04 21:58:31,717 Epoch[0] Batch [200-250] Speed: 14.88 samples/sec Accuracy=0.000000
  12. 2019-05-04 21:58:57,243 Epoch[0] Batch [250-300] Speed: 15.67 samples/sec Accuracy=0.000000
  13. 2019-05-04 21:59:21,087 Epoch[0] Batch [300-350] Speed: 16.78 samples/sec Accuracy=0.000000
  14. 2019-05-04 21:59:45,344 Epoch[0] Batch [350-400] Speed: 16.49 samples/sec Accuracy=0.000000
  15. 2019-05-04 22:00:03,961 Epoch[0] Batch [400-450] Speed: 21.49 samples/sec Accuracy=0.000000
  16. ……
  17. 2019-05-04 22:46:30,698 Epoch[0] Batch [7050-7100] Speed: 19.49 samples/sec Accuracy=0.000000
  18. 2019-05-04 22:46:50,442 Epoch[0] Batch [7100-7150] Speed: 20.26 samples/sec Accuracy=0.000000
  19. 2019-05-04 22:47:13,577 Epoch[0] Batch [7150-7200] Speed: 17.29 samples/sec Accuracy=0.000000
  20. 2019-05-04 22:47:35,495 Epoch[0] Batch [7200-7250] Speed: 18.25 samples/sec Accuracy=0.000000
  21. 2019-05-04 22:47:58,486 Epoch[0] Batch [7250-7300] Speed: 17.40 samples/sec Accuracy=0.000000
  22. 2019-05-04 22:48:22,143 Epoch[0] Batch [7300-7350] Speed: 16.91 samples/sec Accuracy=0.000000
  23. 2019-05-04 22:48:43,430 Epoch[0] Batch [7350-7400] Speed: 18.79 samples/sec Accuracy=0.000000
  24. 2019-05-04 22:49:03,882 Epoch[0] Batch [7400-7450] Speed: 19.56 samples/sec Accuracy=0.000000
  25. ……
  26. 2019-05-05 03:45:30,533 Epoch[0] Batch [62100-62150] Speed: 25.21 samples/sec Accuracy=0.000000
  27. 2019-05-05 03:45:46,024 Epoch[0] Batch [62150-62200] Speed: 25.82 samples/sec Accuracy=0.000000
  28. 2019-05-05 03:46:01,867 Epoch[0] Batch [62200-62250] Speed: 25.25 samples/sec Accuracy=0.000000
  29. 2019-05-05 03:46:17,135 Epoch[0] Batch [62250-62300] Speed: 26.20 samples/sec Accuracy=0.000000
  30. 2019-05-05 03:46:33,650 Epoch[0] Batch [62300-62350] Speed: 24.22 samples/sec Accuracy=0.000000
  31. 2019-05-05 03:46:49,428 Epoch[0] Batch [62350-62400] Speed: 25.35 samples/sec Accuracy=0.000000
  32. 2019-05-05 03:47:05,570 Epoch[0] Batch [62400-62450] Speed: 24.78 samples/sec Accuracy=0.000000
  33. 2019-05-05 03:47:21,043 Epoch[0] Batch [62450-62500] Speed: 25.85 samples/sec Accuracy=0.000000
  34. 2019-05-05 03:47:21,043 Epoch[0] Resetting Data Iterator
  35. 2019-05-05 03:47:21,046 Epoch[0] Time cost=21053.006
  36. 2019-05-05 03:47:43,604 Epoch[0] Validation-Accuracy=0.000000
  37. 2019-05-05 03:47:43,885 Saved checkpoint to "cnn-ocr-0001.params"
  38. ('浙CUR7QJ', [11, 43, 59, 56, 38, 55, 49])

 

 

相关文章
CV:设计自动生成汽车车牌图片算法(cv2+PIL)根据指定七个字符自动生成逼真车牌图片数据集(带各种噪声效果)
MXNet之CNN:自定义CNN-OCR算法训练车牌数据集(umpy.ndarray格式数据)实现车牌照片字符识别并评估模型
MXNet之CNN:自定义CNN-OCR算法训练车牌数据集(umpy.ndarray格式数据)实现车牌照片字符识别并进行新车牌照片字符预测

 

 

文章来源: yunyaniu.blog.csdn.net,作者:一个处女座的程序猿,版权归原作者所有,如需转载,请联系作者。

原文链接:yunyaniu.blog.csdn.net/article/details/89819311

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

举报
请填写举报理由
0/200