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。

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, ...

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

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相关推荐

最新文章

热门文章