银行卡识别的数据比较难以获取，写了段生成的代码 实测，混合真实的数据一起训练，准确率能够提升3-4个百分点

59张可用于生成CRNN模型训练数据的背景图片,包括文档类型,纸张类型

身份证数字识别，DBNET+CRNN，只需要OPENCV460

keras-ocr 模型文件 craft_mlt_25k.h5、craft_mlt_25k.pth、 crnn_kurapan.h5 、crnn_kurapan_notop.h5

预训练参数基于0-9a-zA-Z的切片文字训练，训练集10000张左右。

高清！自制高质量数字仪表数字万用表的读数图像以及标签，可直接用于CRNN读数识别，或应用于其他深度学习算法的原始数据！可用于项目实验等。数字仪表读数图像，考虑了多种光照条件的影响，包括曝光、暗光、光照不均等，可以增强读数识别深度学习模型的鲁棒性，以便适应复杂环境。训练集：验证集=328：82=4：1。

CRNN-Pytorch 记录CRNN的学习 CRNN是2015年提出的一种，端对端的，场景文字识别方法，它采用CNN与RNN的结合来进行学习。它相对于其他算法主要有以下两个特点： 端对端训练，直接输入图片给出结果，而不是把多个训练好的模型进行组合来识别 不需要对图片中的文字进行分割就可以进行识别，可以适应任意长度的序列 里面包括所有的代码，可以进行训练，本代码是训练了IIIIT-5k的数据集，得到了模型在文件夹内，可以进行训练和预测 除此之外，ipynb文件中，利用pytorch搭建CRNN，对验证码进行识别，准确率都是很不错的，达到很不错的结果，可以自定图片和网络结构

这是CRNN mapping baseline实验所需的数据，其中包括训练集（tr）、测试机（tt）和验证集（cv）

CTPN（tensorflow）+CRNN（pytorch）+CTC-附件资源

paddle chinese_ocr_db_crnn_server模型，已下载好直接使用，方便无网络用户