主要变更:
- 支持基于环境变量
CNSTD_DOWNLOAD_SOURCE
的取值,来决定不同的模型下载路径,默认使用国内OSS地址。 LayoutAnalyzer
中增加了参数model_categories
和model_arch_yaml
,用于指定模型的类别名称列表和模型架构。
...
主要变更:
- 基于新标注的数据,重新训练了 MFD YoloV7 模型,目前新模型已部署到 P2T网页版 。具体说明见:Pix2Text (P2T) 新版公式检测模型 | Breezedeus.com 。
- 之前的 MFD YoloV7 模型已开放给星球会员下载,具体说明见:P2T YoloV7 数学公式检测模型开放给星球会员下载 | Breezedeus.com 。
- 增加了一些Label Studio相关的脚本,见 scripts 。如:利用 CnSTD 自带的 MFD 模型对目录中的图片进行公式检测后生成可导入到Label Studio中的JSON文件;以及,Label Studio标注后把导出的JSON文件转换成训练 MFD 模型所需的数据格式。注意,MFD 模型的训练代码在 yolov7 (
dev
branch)中。
了解更多:RELEASE.md 。
CnSTD 是 Python 3 下的场景文字检测(Scene Text Detection,简称STD)工具包,支持中文、英文等语言的文字检测,自带了多个训练好的检测模型,安装后即可直接使用。CnSTD 自 V1.2.1 版本开始,加入了数学公式检测(Mathematical Formula Detection,简称MFD)模型,并提供训练好的模型可直接用于检测图片中包含的数学公式(行内公式 embedding
与独立行公式 isolated
)。
欢迎扫码加入微信交流群:
作者也维护 知识星球 CnOCR/CnSTD/P2T私享群,欢迎加入。知识星球私享群会陆续发布一些CnOCR/CnSTD/P2T相关的私有资料,包括更详细的训练教程,未公开的模型,使用过程中遇到的难题解答等。本群也会发布OCR/STD相关的最新研究资料。
自 V1.0.0 版本开始,CnSTD 从之前基于 MXNet 实现转为基于 PyTorch 实现。新模型的训练合并了 ICPR MTWI 2018、ICDAR RCTW-17 和 ICDAR2019-LSVT 三个数据集,包括了 46447
个训练样本,和 1534
个测试样本。
相较于之前版本, 新版本的变化主要包括:
- 加入了对 PaddleOCR 检测模型的支持;
- 部分调整了检测结果中
box
的表达方式,统一为4
个点的坐标值; - 修复了已知bugs。
如需要识别文本框中的文字,可以结合 OCR 工具包 cnocr 一起使用。
MFD 模型检测图片中包含的数学公式,其中行内的公式检测为 embedding
类别,独立行的公式检测为 isolated
。模型训练使用了英文 IBEM 和中文 CnMFD_Dataset 两个数据集。
版面分析模型识别图片中的不同排版元素。模型训练使用的是 CDLA 数据集。可识别以下10中版面元素:
正文 | 标题 | 图片 | 图片标题 | 表格 | 表格标题 | 页眉 | 页脚 | 注释 | 公式 |
---|---|---|---|---|---|---|---|---|---|
Text | Title | Figure | Figure caption | Table | Table caption | Header | Footer | Reference | Equation |
嗯,顺利的话很简单(bless)。
pip install cnstd
如果需要使用 ONNX 模型(model_backend=onnx
),请使用以下命令安装:
- CPU环境使用 ONNX 模型:
pip install cnstd[ort-cpu]
- GPU环境使用 ONNX 模型:
pip install cnstd[ort-gpu]
- 注意:如果当前环境已经安装了
onnxruntime
包,请先手动卸载(pip uninstall onnxruntime
)后再运行上面的命令。
- 注意:如果当前环境已经安装了
安装速度慢的话,可以指定国内的安装源,如使用豆瓣源:
pip install cnstd -i https://mirrors.aliyun.com/pypi/simple
【注意】:
- 请使用 Python3 (3.6以及之后版本应该都行),没测过Python2下是否ok。
- 依赖 opencv,所以可能需要额外安装opencv。
CnSTD 从 V1.2 开始,可直接使用的模型包含两类:1)CnSTD 自己训练的模型,通常会包含 PyTorch 和 ONNX 版本;2)从其他ocr引擎搬运过来的训练好的外部模型,ONNX化后用于 CnSTD 中。
直接使用的模型都放在 cnstd-cnocr-models 项目中,可免费下载使用。
当前版本(Since V1.1.0)的文字检测模型使用的是 DBNet,相较于 V0.1 使用的 PSENet 模型, DBNet 的检测耗时几乎下降了一个量级,同时检测精度也得到了极大的提升。
目前包含以下已训练好的模型:
模型名称 | 参数规模 | 模型文件大小 | 测试集精度(IoU) | 平均推断耗时 (秒/张) |
下载方式 |
---|---|---|---|---|---|
db_resnet34 | 22.5 M | 86 M | 0.7322 | 3.11 | 自动 |
db_resnet18 | 12.3 M | 47 M | 0.7294 | 1.93 | 自动 |
db_mobilenet_v3 | 4.2 M | 16 M | 0.7269 | 1.76 | 自动 |
db_mobilenet_v3_small | 2.0 M | 7.9 M | 0.7054 | 1.24 | 自动 |
db_shufflenet_v2 | 4.7 M | 18 M | 0.7238 | 1.73 | 自动 |
db_shufflenet_v2_small | 3.0 M | 12 M | 0.7190 | 1.29 | 自动 |
db_shufflenet_v2_tiny | 1.9 M | 7.5 M | 0.7172 | 1.14 | 下载链接 |
上表耗时基于本地 Mac 获得,绝对值无太大参考价值,相对值可供参考。IoU的计算方式经过调整,仅相对值可供参考。
相对于两个基于 ResNet 的模型,基于 MobileNet 和 ShuffleNet 的模型体积更小,速度更快,建议在轻量级场景使用。
以下模型是 PaddleOCR 中模型的 ONNX 版本,所以不会依赖 PaddlePaddle 相关工具包,故而也不支持基于这些模型在自己的领域数据上继续精调模型。这些模型支持检测竖排文字。
model_name |
PyTorch 版本 | ONNX 版本 | 支持检测的语言 | 模型文件大小 |
---|---|---|---|---|
ch_PP-OCRv3_det | X | √ | 简体中问、英文、数字 | 2.3 M |
ch_PP-OCRv2_det | X | √ | 简体中问、英文、数字 | 2.2 M |
en_PP-OCRv3_det | X | √ | 英文、数字 | 2.3 M |
更多模型可参考 PaddleOCR/models_list.md 。如有其他外语(如日、韩等)检测需求,可在 知识星球 CnOCR/CnSTD私享群 中向作者提出建议。
首次使用 CnSTD 时,系统会自动下载zip格式的模型压缩文件,并存放于 ~/.cnstd
目录(Windows下默认路径为 C:\Users\<username>\AppData\Roaming\cnstd
)。下载速度超快。下载后的zip文件代码会自动对其解压,然后把解压后的模型相关目录放于~/.cnstd/1.2
目录中。
如果系统无法自动成功下载zip文件,则需要手动从 百度云盘(提取码为 nstd
)下载对应的zip文件并把它存放于 ~/.cnstd/1.2
(Windows下为 C:\Users\<username>\AppData\Roaming\cnstd\1.2
)目录中。模型也可从 cnstd-cnocr-models 中下载。放置好zip文件后,后面的事代码就会自动执行了。
使用类 CnStd
进行场景文字的检测。类 CnStd
的初始化函数如下:
class CnStd(object):
"""
场景文字检测器(Scene Text Detection)。虽然名字中有个"Cn"(Chinese),但其实也可以轻松识别英文的。
"""
def __init__(
self,
model_name: str = 'ch_PP-OCRv3_det',
*,
auto_rotate_whole_image: bool = False,
rotated_bbox: bool = True,
context: str = 'cpu',
model_fp: Optional[str] = None,
model_backend: str = 'onnx', # ['pytorch', 'onnx']
root: Union[str, Path] = data_dir(),
use_angle_clf: bool = False,
angle_clf_configs: Optional[dict] = None,
**kwargs,
):
其中的几个参数含义如下:
-
model_name
: 模型名称,即前面模型表格第一列中的值。默认为 ch_PP-OCRv3_det 。 -
auto_rotate_whole_image
: 是否自动对整张图片进行旋转调整。默认为False
。 -
rotated_bbox
: 是否支持检测带角度的文本框;默认为True
,表示支持;取值为False
时,只检测水平或垂直的文本。 -
context
:预测使用的机器资源,可取值为字符串cpu
、gpu
、cuda:0
。 -
model_fp
: 如果不使用系统自带的模型,可以通过此参数直接指定所使用的模型文件(.ckpt
文件)。 -
model_backend
(str): 'pytorch', or 'onnx'。表明预测时是使用 PyTorch 版本模型,还是使用 ONNX 版本模型。 同样的模型,ONNX 版本的预测速度一般是 PyTorch 版本的2倍左右。默认为onnx
。 -
root
: 模型文件所在的根目录。- Linux/Mac下默认值为
~/.cnstd
,表示模型文件所处文件夹类似~/.cnstd/1.2/db_shufflenet_v2_small
。 - Windows下默认值为
C:\Users\<username>\AppData\Roaming\cnstd
。
- Linux/Mac下默认值为
-
use_angle_clf
(bool): 对于检测出的文本框,是否使用角度分类模型进行调整(检测出的文本框可能会存在倒转180度的情况)。默认为False
-
angle_clf_configs
(dict): 角度分类模型对应的参数取值,主要包含以下值:model_name
: 模型名称。默认为 'ch_ppocr_mobile_v2.0_cls'model_fp
: 如果不使用系统自带的模型,可以通过此参数直接指定所使用的模型文件('.onnx' 文件)。默认为None
。具体可参考类AngleClassifier
的说明
每个参数都有默认取值,所以可以不传入任何参数值进行初始化:std = CnStd()
。
文本检测使用类CnOcr
的函数 detect()
,以下是详细说明:
def detect(
self,
img_list: Union[
str,
Path,
Image.Image,
np.ndarray,
List[Union[str, Path, Image.Image, np.ndarray]],
],
resized_shape: Union[int, Tuple[int, int]] = (768, 768),
preserve_aspect_ratio: bool = True,
min_box_size: int = 8,
box_score_thresh: float = 0.3,
batch_size: int = 20,
**kwargs,
) -> Union[Dict[str, Any], List[Dict[str, Any]]]:
函数说明:
函数输入参数包括:
-
img_list
: 支持对单个图片或者多个图片(列表)的检测。每个值可以是图片路径,或者已经读取进来PIL.Image.Image
或np.ndarray
, 格式应该是RGB
3 通道,shape:(height, width, 3)
, 取值范围:[0, 255]
。 -
resized_shape
:int
ortuple
,tuple
含义为(height, width)
,int
则表示高宽都为此值;
检测前,先把原始图片resize到接近此大小(只是接近,未必相等)。默认为(768, 768)
。Note (注意) 这个取值对检测结果的影响较大,可以针对自己的应用多尝试几组值,再选出最优值。例如
(512, 768)
,(768, 768)
,(768, 1024)
等。 -
preserve_aspect_ratio
: 对原始图片 resize 时是否保持高宽比不变。默认为True
。 -
min_box_size
: 过滤掉高度或者宽度小于此值的文本框。默认为8
,也即高或者宽小于8
的文本框会被过滤去掉。 -
box_score_thresh
: 过滤掉得分低于此值的文本框。默认为0.3
。 -
batch_size
: 待处理图片很多时,需要分批处理,每批图片的数量由此参数指定。默认为20
。 -
kwargs
: 保留参数,目前未被使用。
函数输出类型为list
,其中每个元素是一个字典,对应一张图片的检测结果。字典中包含以下 keys
:
-
rotated_angle
:float
, 整张图片旋转的角度。只有auto_rotate_whole_image==True
才可能非0
。 -
detected_texts
:list
, 每个元素存储了检测出的一个框的信息,使用词典记录,包括以下几个值:-
box
:检测出的文字对应的矩形框;np.ndarray
, shape:(4, 2)
,对应 box 4个点的坐标值(x, y)
; -
score
:得分;float
类型;分数越高表示越可靠; -
croppped_img
:对应 "box" 中的图片patch(RGB
格式),会把倾斜的图片旋转为水平。np.ndarray
类型,shape: (height, width, 3)
, 取值范围:[0, 255]
; -
示例:
[{'box': array([[416, 77], [486, 13], [800, 325], [730, 390]], dtype=int32), 'score': 1.0, 'cropped_img': array([[[25, 20, 24], [26, 21, 25], [25, 20, 24], ..., [11, 11, 13], [11, 11, 13], [11, 11, 13]]], dtype=uint8)}, ... ]
-
from cnstd import CnStd
std = CnStd()
box_info_list = std.detect('examples/taobao.jpg')
或:
from PIL import Image
from cnstd import CnStd
std = CnStd()
img_fp = 'examples/taobao.jpg'
img = Image.open(img_fp)
box_infos = std.detect(img)
上面示例识别结果中"cropped_img"对应的值可以直接交由 cnocr 中的 CnOcr
进行文字识别。如上例可以结合 CnOcr
进行文字识别:
from cnstd import CnStd
from cnocr import CnOcr
std = CnStd()
cn_ocr = CnOcr()
box_infos = std.detect('examples/taobao.jpg')
for box_info in box_infos['detected_texts']:
cropped_img = box_info['cropped_img']
ocr_res = cn_ocr.ocr_for_single_line(cropped_img)
print('ocr result: %s' % str(ocr_res))
注:运行上面示例需要先安装 cnocr :
pip install cnocr
数学公式检测(MFD)与 版面分析(Layout Analysis)都是检测图片中感兴趣的元素,它们使用的都是基于YOLOv7的检测架构,在CnSTD都来源于相同的类 LayoutAnalyzer
,差别只是训练模型使用的数据不同。
这两个模型的训练代码在 yolov7 中(Forked from WongKinYiu/yolov7,感谢原作者。)
类 LayoutAnalyzer
的初始化函数如下:
class LayoutAnalyzer(object):
def __init__(
self,
model_name: str = 'mfd', # 'layout' or 'mfd'
*,
model_type: str = 'yolov7_tiny', # 当前支持 [`yolov7_tiny`, `yolov7`]'
model_backend: str = 'pytorch',
model_categories: Optional[List[str]] = None,
model_fp: Optional[str] = None,
model_arch_yaml: Optional[str] = None,
root: Union[str, Path] = data_dir(),
device: str = 'cpu',
**kwargs,
)
其中的参数含义如下:
-
model_name
: 字符串类型,表示模型类型。可选值:'mfd' 表示数学公式检测;'layout' 表示版面分析。默认值:'mfd' -
model_type
: 字符串类型,表示模型类型。当前支持 'yolov7_tiny' 和 'yolov7';默认值:'yolov7_tiny'。'yolov7' 模型暂不开源,当前仅开放给星球会员下载,具体说明见:P2T YoloV7 数学公式检测模型开放给星球会员下载 | Breezedeus.com 。 -
model_backend
: 字符串类型,表示backend。当前仅支持: 'pytorch';默认值:'pytorch' -
model_categories
: 模型的检测类别名称。默认值:None,表示基于model_name
自动决定 -
model_fp
: 字符串类型,表示模型文件的路径。默认值:None
,表示使用默认的文件路径 -
model_arch_yaml
: 架构文件路径,例如 'yolov7-mfd.yaml';默认值为 None,表示将自动选择。 -
root
: 字符串或Path
类型,表示模型文件所在的根目录。- Linux/Mac下默认值为
~/.cnstd
,表示模型文件所处文件夹类似~/.cnstd/1.2/analysis
- Windows下默认值为
C:/Users/<username>/AppData/Roaming/cnstd
。
- Linux/Mac下默认值为
-
device
: 字符串类型,表示运行模型的设备,可选值:'cpu' 或 'gpu';默认值:'cpu' -
**kwargs
: 额外的参数。
函数输出结果为一个list
,其中每个元素表示识别出的版面中的一个元素,包含以下信息:
- type: 版面元素对应的类型;可选值来自:
self.categories
; - box: 版面元素对应的矩形框;
np.ndarray
, shape: (4, 2),对应 box 4个点的坐标值(x, y)
; - score: 得分,越高表示越可信 。
对指定图片(列表)进行版面分析。
def analyze(
self,
img_list: Union[
str,
Path,
Image.Image,
np.ndarray,
List[Union[str, Path, Image.Image, np.ndarray]],
],
resized_shape: Union[int, Tuple[int, int]] = 700,
box_margin: int = 2,
conf_threshold: float = 0.25,
iou_threshold: float = 0.45,
) -> Union[List[Dict[str, Any]], List[List[Dict[str, Any]]]]:
函数说明:
函数输入参数包括:
img_list
(str or list): 待识别图片或图片列表;如果是np.ndarray
,则应该是shape为[H, W, 3]
的 RGB 格式数组resized_shape
(int or tuple): (H, W); 把图片resize到此大小再做分析;默认值为700
box_margin
(int): 对识别出的内容框往外扩展的像素大小;默认值为2
conf_threshold
(float): 分数阈值;默认值为0.25
iou_threshold
(float): IOU阈值;默认值为0.45
**kwargs
: 额外的参数。
from cnstd import LayoutAnalyzer
img_fp = 'examples/mfd/zh5.jpg'
analyzer = LayoutAnalyzer('mfd')
out = analyzer.analyze(img_fp, resized_shape=700)
print(out)
cnstd 包含了几个命令行工具,安装 cnstd 后即可使用。
使用命令 cnstd predict
预测单个文件或文件夹中所有图片,以下是使用说明:
(venv) ➜ cnstd git:(master) ✗ cnstd predict -h
Usage: cnstd predict [OPTIONS]
预测单个文件,或者指定目录下的所有图片
Options:
-m, --model-name [ch_PP-OCRv2_det|ch_PP-OCRv3_det|db_mobilenet_v3|db_mobilenet_v3_small|db_resnet18|db_resnet34|db_shufflenet_v2|db_shufflenet_v2_small|db_shufflenet_v2_tiny|en_PP-OCRv3_det]
模型名称。默认值为 db_shufflenet_v2_small
-b, --model-backend [pytorch|onnx]
模型类型。默认值为 `onnx`
-p, --pretrained-model-fp TEXT 使用训练好的模型。默认为 `None`,表示使用系统自带的预训练模型
-r, --rotated-bbox 是否检测带角度(非水平和垂直)的文本框。默认为 `True`
--resized-shape TEXT 格式:"height,width";
预测时把图片resize到此大小再进行预测。两个值都需要是32的倍数。默认为
`768,768`
--box-score-thresh FLOAT 检测结果只保留分数大于此值的文本框。默认值为 `0.3`
--preserve-aspect-ratio BOOLEAN
resize时是否保留图片原始比例。默认值为 `True`
--context TEXT 使用cpu还是 `gpu` 运行代码,也可指定为特定gpu,如`cuda:0`。默认为
`cpu`
-i, --img-file-or-dir TEXT 输入图片的文件路径或者指定的文件夹
-o, --output-dir TEXT 检测结果存放的文件夹。默认为 `./predictions`
-h, --help Show this message and exit.
例如可以使用以下命令对图片 examples/taobao.jpg
进行检测,并把检测结果存放在目录 outputs
中:
cnstd predict -i examples/taobao.jpg -o outputs
具体使用也可参考文件 Makefile 。
使用命令 cnstd analyze
获得单个文件的 MFD 或者 Layout Analysis 结果,以下是使用说明:
(venv) ➜ cnstd git:(master) ✗ cnstd analyze -h
Usage: cnstd analyze [OPTIONS]
对给定图片进行 MFD 或者 版面分析。
Options:
-m, --model-name TEXT 模型类型。`mfd` 表示数学公式检测,`layout`
表示版面分析;默认为:`mfd`
-t, --model-type TEXT 模型类型。当前支持 [`yolov7_tiny`, `yolov7`]
-b, --model-backend [pytorch|onnx]
模型后端架构。当前仅支持 `pytorch`
-c, --model-categories TEXT 模型的检测类别名称(","分割)。默认值:None,表示基于 `model_name`
自动决定
-p, --model-fp TEXT 使用训练好的模型。默认为 `None`,表示使用系统自带的预训练模型
-y, --model-arch-yaml TEXT 模型的配置文件路径
--device TEXT cuda device, i.e. 0 or 0,1,2,3 or cpu
-i, --img-fp TEXT 待分析的图片路径或图片目录
-o, --output-fp TEXT 分析结果输出的图片路径。默认为 `None`,会存储在当前文件夹,文件名称为输入文件名称
前面增加`out-`;如输入文件名为 `img.jpg`, 输出文件名即为 `out-
img.jpg`;如果输入为目录,则此路径也应该是一个目录,会将输出文件存储在此目录下
--resized-shape INTEGER 分析时把图片resize到此大小再进行。默认为 `608`
--conf-thresh FLOAT Confidence Threshold。默认值为 `0.25`
--iou-thresh FLOAT IOU threshold for NMS。默认值为 `0.45`
-h, --help Show this message and exit.
例如可以使用以下命令对图片 examples/mfd/zh.jpg
进行 MFD,并把检测结果存放在文件 out-zh.jpg
中:
(venv) ➜ cnstd analyze -m mfd --conf-thresh 0.25 --resized-shape 800 -i examples/mfd/zh.jpg -o out-zh.jpg
具体使用也可参考文件 Makefile 。
使用命令 cnstd train
训练文本检测模型,以下是使用说明:
(venv) ➜ cnstd git:(master) ✗ cnstd train -h
Usage: cnstd train [OPTIONS]
训练文本检测模型
Options:
-m, --model-name [db_resnet50|db_resnet34|db_resnet18|db_mobilenet_v3|db_mobilenet_v3_small|db_shufflenet_v2|db_shufflenet_v2_small|db_shufflenet_v2_tiny]
模型名称。默认值为 `db_shufflenet_v2_small`
-i, --index-dir TEXT 索引文件所在的文件夹,会读取文件夹中的 `train.tsv` 和 `dev.tsv` 文件
[required]
--train-config-fp TEXT 训练使用的json配置文件 [required]
-r, --resume-from-checkpoint TEXT
恢复此前中断的训练状态,继续训练
-p, --pretrained-model-fp TEXT 导入的训练好的模型,作为初始模型。优先级低于 "--restore-training-
fp",当传入"--restore-training-fp"时,此传入失效
-h, --help Show this message and exit.
具体使用可参考文件 Makefile 。
训练好的模型会存储训练状态,使用命令 cnstd resave
去掉与预测无关的数据,降低模型大小。
(venv) ➜ cnstd git:(master) ✗ cnstd resave -h
Usage: cnstd resave [OPTIONS]
训练好的模型会存储训练状态,使用此命令去掉预测时无关的数据,降低模型大小
Options:
-i, --input-model-fp TEXT 输入的模型文件路径 [required]
-o, --output-model-fp TEXT 输出的模型文件路径 [required]
-h, --help Show this message and exit.
- 进一步精简模型结构,降低模型大小
- PSENet速度上还是比较慢,尝试更快的STD算法
- 加入更多的训练数据
- 加入对外部模型的支持
- 加入数学公式检测(MFD)与 版面分析(Layout Analysis)模型
- 加入对文档结构与表格的检测
开源不易,如果此项目对您有帮助,可以考虑 给作者来杯咖啡 ☕️ 。