基于 NCNN 的 Chinese-Lite 模型测试
文章目录
- 1. 模型效果测试
- 1.1 光照
- 1.1.1 暗
- 1.1.2 正常
- 1.2 文字密度
- 1.2.1 稀疏
- 1.2.2 密集
- 1.3 颜色
- 1.3.1 字体颜色
- 1.3.2 背景颜色
- 1.4 方向和褶皱
- 1.4.1 60°
- 1.4.2 120°
- 1.4.3 180°
- 1.4.4 360°
- 1.4.5 褶皱一
- 1.4.6 褶皱二
- 1.5 字体
- 1.5.1 手写体
- 2. 与其他模型对比
- 2.1 较暗图片
- 2.2 文字密度
- 2.3 颜色
- 2.4 不同角度
- 2.5 扭曲变形
- 2.6 手写体
- 2.7 总体分析
1. 模型效果测试
1.1 光照
1.1.1 暗
原图
基于 NCNN 的 Chinese-Lite 模型
1.1.2 正常
原图
基于 NCNN 的 Chinese-Lite 模型
1.2 文字密度
1.2.1 稀疏
原图
基于 NCNN 的 Chinese-Lite 模型
1.2.2 密集
原图
基于 NCNN 的 Chinese-Lite 模型
1.3 颜色
1.3.1 字体颜色
原图
基于 NCNN 的 Chinese-Lite 模型
1.3.2 背景颜色
原图
基于 NCNN 的 Chinese-Lite 模型
1.4 方向和褶皱
1.4.1 60°
原图
基于 NCNN 的 Chinese-Lite 模型
1.4.2 120°
原图
基于 NCNN 的 Chinese-Lite 模型
不能检测和识别
1.4.3 180°
原图
基于 NCNN 的 Chinese-Lite 模型
1.4.4 360°
原图
基于 NCNN 的 Chinese-Lite 模型
1.4.5 褶皱一
原图
基于 NCNN 的 Chinese-Lite 模型
1.4.6 褶皱二
原图
基于 NCNN 的 Chinese-Lite 模型
1.5 字体
1.5.1 手写体
原图
基于 NCNN 的 Chinese-Lite 模型
2. 与其他模型对比
2.1 较暗图片
Chinese-Lite 弱于 PaddleOCR.
Chinese-Lite 弱于竞品.
2.2 文字密度
对于稀疏文字, PaddleOCR 效果和 Chinese-Lite 不相上下 ; Chinese-Lite 检测优于竞品, 识别弱于竞品.
对于密集文字, Chinese-Lite 检测和 PaddleOCR 同样优秀, 识别优于 PaddleOCR.Chinese-Lite 检测优于竞品, 识别弱于竞品.
2.3 颜色
对于字体颜色, Chinese-Lite 检测和识别优于 PaddleOCR ; Chinese-Lite 识别弱于竞品
对于背景颜色, Chinese-Lite 检测优于 PaddleOCR, 不会出现漏检, 识别率弱于PaddleOCR. Chinese-Lite 识别率弱于竞品
2.4 不同角度
60度: Chinese-Lite 检测和识别优于PaddleOCR, 但识别中无法还原正确语序 ; Chinese-Lite 检测和识别优于竞品.
120度: Chinese-Lite 不能检测和识别.
180度: Chinese-Lite 检测弱于 PaddleOCR, 识别优于 PaddleOCR. Chinese-Lite 识别弱于竞品.
2.5 扭曲变形
Chinese-Lite 检测识别优于 PaddleOCR, 基本能够检测识别出大部分内容.
Chinese-Lite 识别弱于竞品.
2.6 手写体
Chinese-Lite 对手写体几乎不能检测.
2.7 总体分析
检测方面: PaddleOCR 尽可能多地以行为单位, 而 Chinese-Lite 更多是以几个单词为一个单位. 猜测这就是 Chinese-Lite 会在褶皱方面优于 PaddleOCR 的原因.
识别方面: PaddleOCR 更注重识别出每个字符, 而 Chinese-Lite 更注重分词（很少出现字母连贯）.
速度方面: Chinese-Lite 的速度较 PaddleOCR 要慢上一些.
竞品整体的效果还是要强于 Chinese-Lite.
基于 NCNN 的 Chinese-Lite 模型测试相关推荐
- R语言构建文本分类模型并使用LIME进行模型解释实战：文本数据预处理、构建词袋模型、构建xgboost文本分类模型、基于文本训练数据以及模型构建LIME解释器解释多个测试语料的预测结果并可视化
R语言构建文本分类模型并使用LIME进行模型解释实战:文本数据预处理.构建词袋模型.构建xgboost文本分类模型.基于文本训练数据以及模型构建LIME解释器解释多个测试语料的预测结果并可视化 目录
- 【项目实战课】基于ncnn框架与KL散度的8bit对称模型量化与推理实战
欢迎大家来到我们的项目实战课,本期内容是<基于ncnn框架与KL散度的8bit对称模型量化与推理实战>. 所谓项目实战课,就是以简单的原理回顾+详细的项目实战的模式,针对具体的某一个主题, ...
- 多因子策略_基于成长因子的模型测试
因子的量化选择 基于IC值 相关系数 计算方法 多因子模型得打分法,指得是选用若干能够对股票未来时间段收益产生预测作用的因子,根据每个因子在对应位置的状况给出股票在该位置上的得分,然后按照一定的权重将 ...
- 使用netron对TensorFlow、Pytorch、Keras、PaddlePaddle、MXNet、Caffe、ONNX、UFF、TNN、ncnn、OpenVINO等模型的可视化
欢迎大家关注笔者,你的关注是我持续更博的最大动力 原创文章,转载告知,盗版必究 使用netron对TensorFlow.Pytorch.Keras.PaddlePaddle.MXNet.Caffe.O ...
- 【ncnn】基于ncnn的iOS端深度学习算法部署及应用
ncnn 是一个为手机端极致优化的高性能神经网络前向计算框架.ncnn 从设计之初深刻考虑手机端的部署和使用.无第三方依赖,跨平台,手机端 cpu 的速度快于目前所有已知的开源框架.基于 ncnn,开 ...
- 【PaddleOCR-det-finetune】一：基于PPOCRv3的det检测模型finetune训练
文章目录 基本流程 详细步骤 打标签,构建自己的数据集 下载PPOCRv3训练模型 修改超参数,训练自己数据集 启动训练 导出模型 测试 相关参考手册在PaddleOCR项目工程中的位置: det模型 ...
- NeuIPS | 蛋白设计新方法？基于图的蛋白生成模型
今天给大家介绍的是麻省理工大学计算机科学和人工智能实验室在NeuIPS 2019会议上发表的一篇文章.在文中,作者提出了一种基于图结构的蛋白质序列生成模型,通过聚焦三维空间上相邻的蛋白质区域,在基于神 ...
- 卡内基梅隆大学提出基于学习的动作捕捉模型，用自监督学习实现人类3D动作追踪
原文来源:Cornell University Library 作者:Hsiao-Yu Fish Tung.Hsiao-Wei Tung.Ersin Yumer. Katerina Fragkiada ...
- 综述：基于GAN的图像翻译模型盘点
作者丨薛洁婷 学校丨北京交通大学硕士生 研究方向丨图像翻译 图像翻译(Image translation)是将一个物体的图像表征转换为该物体的另一种图像表征,也就是找到一个函数能让 A 域图像映射到 ...
最新文章
- linux 网络配置 阮一峰,计算机是怎样启动的？ - 阮一峰的网络日志.pdf
- 剑指offer：面试题29. 顺时针打印矩阵
- 时至今日，NLP怎么还这么难！
- 关于《Android应用开发揭秘》中早期版本中联系人例子错误的解决办法
- 【DeepLearning】Exercise:Sparse Autoencoder
- 居然还有人在用 System.out.println打日志的吗？
- uniapp 中 下拉刷新和上拉加载 需要手动在page.json中开启
- c++调用cplex求解例子_c++调用CPLEX环境配置
- java.lang.IllegalStateException: No modifications are allowed to a locked ParameterMap问题的解决
- 如何编写高质量的代码二 - 类的设计
- 简单易用的运动控制卡(八)：直线插补和手轮运动
- android最强管理软件root,SuperSU Pro v2.82中文专业版-超强安卓手机root工具
- |app自动化测试之Appium WebView 技术原理
- 反射式、透射式空间光调制器简介
- 计算机金融专业美国学校排名,美国金融专业都有哪些种类？
- 杰理之检测linein音频输入大小（能量）的方法【篇】
- 记一次与流氓的战争——卸载360安全卫士之后
- 解析Token工具类
- Qt Linguist 介绍和简单应用
- 飞鸽传书网因存在低俗内容致网友的道歉信