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……
class GenPlate:def __init__(self,fontCh,fontEng,NoPlates):self.fontC = ImageFont.truetype(fontCh,43,0);self.fontE = ImageFont.truetype(fontEng,60,0);self.img=np.array(Image.new("RGB", (226,70),(255,255,255)))……def draw(self,val):offset= 2 ;self.img[0:70,offset+8:offset+8+23]= GenCh(self.fontC,val[0]); ……return self.imgdef generate(self,text): #generate()方法,
# print('text', text, len(text))if len(text) == 7: # 9
# print('开始运行if语句')fg = self.draw(text);
……def genPlateString(self,pos,val): #定义genPlateString函数
……for unit,cpos in zip(box,range(len(box))):if unit == 1:plateStr += valelse:if cpos == 0:plateStr += chars[r(31)]elif cpos == 1:plateStr += chars[41+r(24)]else:plateStr += chars[31 + r(34)]return plateStr;def genBatch(self, batchSize,pos,charRange, outputPath,size):if (not os.path.exists(outputPath)):os.mkdir(outputPath)l_plateStr = []l_plateImg = []for i in range(batchSize):plateStr = G.genPlateString(-1,-1)img = G.generate(plateStr);img = cv2.resize(img,size);l_plateStr.append(plateStr)l_plateImg.append(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))return l_plateStr,l_plateImg
更多输出
start
start
[21:56:28] c:\jenkins\workspace\mxnet-tag\mxnet\src\operator\tensor\./matrix_op-inl.h:189: Using target_shape will be deprecated.
2019-05-04 21:56:28,024 Start training with [cpu(0)]
[21:56:28] c:\jenkins\workspace\mxnet-tag\mxnet\src\operator\tensor\./matrix_op-inl.h:189: Using target_shape will be deprecated.
[21:56:28] c:\jenkins\workspace\mxnet-tag\mxnet\src\operator\tensor\./matrix_op-inl.h:189: Using target_shape will be deprecated.
2019-05-04 21:56:50,213 Epoch[0] Batch [0-50] Speed: 18.52 samples/sec Accuracy=0.000000
2019-05-04 21:57:11,041 Epoch[0] Batch [50-100] Speed: 19.21 samples/sec Accuracy=0.000000
2019-05-04 21:57:37,527 Epoch[0] Batch [100-150] Speed: 15.10 samples/sec Accuracy=0.000000
2019-05-04 21:58:04,827 Epoch[0] Batch [150-200] Speed: 14.65 samples/sec Accuracy=0.000000
2019-05-04 21:58:31,717 Epoch[0] Batch [200-250] Speed: 14.88 samples/sec Accuracy=0.000000
2019-05-04 21:58:57,243 Epoch[0] Batch [250-300] Speed: 15.67 samples/sec Accuracy=0.000000
2019-05-04 21:59:21,087 Epoch[0] Batch [300-350] Speed: 16.78 samples/sec Accuracy=0.000000
2019-05-04 21:59:45,344 Epoch[0] Batch [350-400] Speed: 16.49 samples/sec Accuracy=0.000000
2019-05-04 22:00:03,961 Epoch[0] Batch [400-450] Speed: 21.49 samples/sec Accuracy=0.000000……2019-05-04 22:46:30,698 Epoch[0] Batch [7050-7100] Speed: 19.49 samples/sec Accuracy=0.000000
2019-05-04 22:46:50,442 Epoch[0] Batch [7100-7150] Speed: 20.26 samples/sec Accuracy=0.000000
2019-05-04 22:47:13,577 Epoch[0] Batch [7150-7200] Speed: 17.29 samples/sec Accuracy=0.000000
2019-05-04 22:47:35,495 Epoch[0] Batch [7200-7250] Speed: 18.25 samples/sec Accuracy=0.000000
2019-05-04 22:47:58,486 Epoch[0] Batch [7250-7300] Speed: 17.40 samples/sec Accuracy=0.000000
2019-05-04 22:48:22,143 Epoch[0] Batch [7300-7350] Speed: 16.91 samples/sec Accuracy=0.000000
2019-05-04 22:48:43,430 Epoch[0] Batch [7350-7400] Speed: 18.79 samples/sec Accuracy=0.000000
2019-05-04 22:49:03,882 Epoch[0] Batch [7400-7450] Speed: 19.56 samples/sec Accuracy=0.000000……2019-05-05 03:45:30,533 Epoch[0] Batch [62100-62150] Speed: 25.21 samples/sec Accuracy=0.000000
2019-05-05 03:45:46,024 Epoch[0] Batch [62150-62200] Speed: 25.82 samples/sec Accuracy=0.000000
2019-05-05 03:46:01,867 Epoch[0] Batch [62200-62250] Speed: 25.25 samples/sec Accuracy=0.000000
2019-05-05 03:46:17,135 Epoch[0] Batch [62250-62300] Speed: 26.20 samples/sec Accuracy=0.000000
2019-05-05 03:46:33,650 Epoch[0] Batch [62300-62350] Speed: 24.22 samples/sec Accuracy=0.000000
2019-05-05 03:46:49,428 Epoch[0] Batch [62350-62400] Speed: 25.35 samples/sec Accuracy=0.000000
2019-05-05 03:47:05,570 Epoch[0] Batch [62400-62450] Speed: 24.78 samples/sec Accuracy=0.000000
2019-05-05 03:47:21,043 Epoch[0] Batch [62450-62500] Speed: 25.85 samples/sec Accuracy=0.000000
2019-05-05 03:47:21,043 Epoch[0] Resetting Data Iterator
2019-05-05 03:47:21,046 Epoch[0] Time cost=21053.006
2019-05-05 03:47:43,604 Epoch[0] Validation-Accuracy=0.000000
2019-05-05 03:47:43,885 Saved checkpoint to "cnn-ocr-0001.params"
('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
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相关推荐
- mmdetection实战,训练扑克牌数据集(VOC格式)并测试计算mAP
mmdetection实战,训练扑克牌数据集(VOC格式)并测试计算mAP 一.数据集准备 二.mmdetection的安装 三.修改相关文件 1. 修改class_names.py文件 2. 修改v ...
- html在线ocr文字识别源码,OCR开源代码以及OCR公开训练测试数据集汇总
n1 OCR开源代码网址汇总 1.1 OCRE(OCR Easy), http://lem.eui.upm.es/ocre.html 1.2 Clara OCR,http://directory.fs ...
- 使用YOLOv3训练BDD100K数据集之标签格式转换
BDD100K数据集介绍: BDD100K的道路目标检测部分总共有10类:bus,traffic light,traffic sign,person,bike,truck,moter,car,trai ...
- CV:计算机视觉技最强学习路线之CV简介(传统视觉技术/相关概念)、早期/中期/近期应用领域(偏具体应用)、经典CNN架构(偏具体算法)概述、常用工具/库/框架/产品、环境安装、常用数据集、编程技巧
CV:计算机视觉技最强学习路线之CV简介(传统视觉技术/相关概念).早期/中期/近期应用领域(偏具体应用).经典CNN架构(偏具体算法)概述.常用工具/库/框架/产品.环境安装.常用数据集.编程技巧 ...
- 【工程测试与训练】使用BiSeNetv2测试、训练cityscapes数据集、训练自己的数据集
1 准备工作 下载工程 工程下载:https://github.com/CoinCheung/BiSeNet 预训练模型下载: 工程下载后解压,并在其中创建文件夹[MODEL]用于存放预训练模型 ...
- 【深度学习】【Python】【Widerface数据集】 转VOC格式,VOC 转YOLOv5格式,YOLOv5训练WiderFace数据集,检查yolo labels对不对
文章目录 Widerface数据集转VOC格式 VOC 转YOLO格式 数据集的imageslisttxt YOLOv5训练 检查yolo labels对不对 并行训练 Widerface数据集转VO ...
- 3D点云目标检测:MPPNet网络训练waymo数据集
MPPNet网络训练waymo数据集 一.waymo数据预处理 1.1.waymo数据简介 1.2. waymo数据集预处理 二.训练centerpoint网络 三.训练mppnet网络 四.训练结果 ...
- DL之CNN:利用自定义DeepConvNet【7+1】算法对mnist数据集训练实现手写数字识别、模型评估(99.4%)
DL之CNN:利用自定义DeepConvNet[7+1]算法对mnist数据集训练实现手写数字识别.模型评估(99.4%) 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 netwo ...
- DL之CNN:利用自定义DeepConvNet【7+1】算法对mnist数据集训练实现手写数字识别并预测(超过99%)
DL之CNN:利用自定义DeepConvNet[7+1]算法对mnist数据集训练实现手写数字识别并预测(超过99%) 目录 输出结果 设计思路 核心代码 输出结果 准确度都在99%以上 1.出错记录 ...
- OCR算法:CNN+BLSTM+CTC架构(VS15)
原文链接:OCR算法-CNN+BLSTM+CTC架构 由于作者使用了Boost1.57-Vc14,而1.57的VC14版本作者没有给出下载链接,因此需要自行编译,建议换掉作者的第三方库,使用其他的库, ...
最新文章
- fpga如何约束走线_FPGA中的CLOCK REGION和SLR是什么含义
- BUUCTF(pwn)hgame2018_flag_server(简单的栈溢出)
- 让PHP程序永远在后台运行
- 用HttpClientFactory来实现简单的熔断降级
- linux网络编程之用socket实现简单客户端和服务端的通信(基于TCP)
- 程序员面试——C++工程师面试大全第一部分
- 字符串中第一次重复出现的数及第一次不重复出现的数
- Dubbo本地伪装 Mock
- python如何输入数据形成列表_将Python字典/列表插入到SQL数据库中最有效的方法是什么?...
- 华北水利水电大学历年c语言试题,一百题C语言试题
- cad如何多选对象_cad如何多选?在CAD里为什么只能选中一个对象,而不能累加选择多个对象?...
- 【ONES 校招前端笔试+一面】
- 为 iPhone 制作 30s 以上的铃声
- 制作旅行英语图书封面
- 亨利福特真的说过“faster horse”么?
- ios 自定义拍照页面_iOS开发笔记:自定义相机拍照
- Unity 游戏区域性崩溃,深藏的国际化巨坑
- 一小时构建 IoT 音视频应用,声网发布灵隼物联网云平台
- ARM base instruction -- 简单三级流水线
- c++ stl list实现简单的学生信息管理系统
热门文章
- Python读取并打印bin文件
- DOS命令和linux
- 计算机并行配置,windows10无法启动应用程序提示并行配置不正确解决方法
- 基于C/S模式的客户端软件系统
- 计算机高深专业术语,计算机知识专业术语50个
- 宾馆客房管理系统-vue前端开发
- 初学者入门——NOI题库1.2
- C#版OPOS打印(基于北洋OPOS SDK二次开发包,支持EPSON和北洋、佳博、商祺等支持标准ESC/POS指令的POS打印机)...
- Robo 3T 使用教程
- netty实现 http 长连接