超轻量级中文ocr，支持竖排文字识别, 支持ncnn推理 , psenet(8.5M) + crnn(6.3M) + anglenet(1.5M) 总模型仅17M

渐进式规模扩展网络的形状鲁棒文本检测 要求 pytorch 1.1 火炬视觉0.3 pyclipper 的opencv3 gcc 4.9+ 更新 20190401 加笔者损失，结果在比较 下载 icdar 2015上的resnet50和resnet152模型： 提取代码：rxjf 资料准备 遵循icdar15数据集格式 img │ 1.jpg │ 2.jpg │ ... gt │ gt_1.txt │ gt_2.txt | ... 火车 在配置trainroot和testroot 使用以下脚本运行 python3 train.py 测试 用于在测试数据集上测试模型 配置model_path ， data_path ， gt_path ， save_path在 使用以下脚本进行测试 python3 eval.py 预测 用于推断单个图像 配置mode

psenet自己的阅读笔记-SCUT-CTW1500数据弯曲下载链接以及文本标注格式理解-附件资源

psenet自己的阅读笔记-SCUT-CTW1500数据弯曲下载链接以及文本标注格式理解-附件资源

基于pytorch的OCR库 这里会有这个项目的代码详解和我的一些ocr经验和心得，我会慢慢更新，有兴趣可以看看，希望可以帮到新接触ocr的童鞋 最近跟新： 2021.05.01 更新CRNN 训练，解决了多gpu训练问题，更换成lmdb训练，需要将图片先转成lmdb（在script文件夹中有多进程将图片转成lmdb的代码），做了一些训练优化，模型结构更改（训练时使用名字中带lmdb的yaml文件），实际训练效果如下表。 2021.03.26 更新CRNN 训练效果，代码整理后上传 2021.03.06 更新CRNN backbone resnet 和 mobilev3 以及配置文件 2020.12.22 更新CRNN+CTCLoss+CenterLoss训练 2020.09.18 更新文本检测说明文档 2020.09.12 更新DB,pse,pan,sast,crnn训练测试代码和预训练

Python构建快速高效的中文文字识别OCR https://blog.csdn.net/lly1122334/article/details/104752851

自然场景文本检测PSENet的一个tensorflow重现