训练 1.处理train 数据集 python3 ./utils/make_data.py 2.训练网络 python3 train.py 测试 1.加载模型，将训练好的模型放入./model/中 2.向test_img_list中添加需要测试的图片列表 test_img_list = ['/home/tony/ocr/test_data/00023.jpg'] 3.运行模型 python3 test_crnn.py

crnn_ctc-centerloss 2020.12.27更新 使用最后一层全连接层输入的功能作为处理对象，即缩小这一功能的类内距离 实现功能和标签的对齐，主要解决了预测重复，预测漏字时的对齐问题（需要tf1.15） 增加对关键指标的计算和追踪，训练过程更直观，方便debug（需要tf1.15） 中心之间的距离 字符距离自己中心，形近字中心的距离 经过训练，字符距离差增大，预测置信度和距离差拥有一定相关性 增加feature的可视化，使用tensorboard的嵌入投影仪，方便调试 # 生成 embedding 图 python -m libs.projector --model=your_model_path --file=your_label_file_path --dir=your_log_dir # 启动 tensorboard tensorboard --logdir=you

LPRNet - 基于Tensorflow，使用CNN和CTCloss实现轻量级车牌识别的轻型网络