Caffe深度学习 验证码识别 机器学习

起步 - 下载

1. CC3.1-alpha.7.zip
2. CC_Demo.zip

解压 CC3.1-alpha.7.zip 看到 jobs目录 把 CC_Demo.zip 也解压进去.

image.png

文件结构

文件	说明
make-lmdb.bat	生成训练所需的lmdb数据库
train-*	启动训练的批处理脚本
/models	为训练中保存的模型文件
/samples	为训练中保存的模型文件

其他

nvdia卡算力达到3.0及以上的可使用 train-GPU 系列批处理进行训练
2.非nvdia卡货算理不足的可使用train-CPU 系列批处理进行训练
3.finetune为微调训练 resume为训练

生成验证码样本

image.png

\CC_Demo\samples

image.png

生成标签文件

image.png

image.png

生成数据库

make-lmdb.bat

image.png

生成网络

分类数量看 label-map.txt 的行数

image.png

开始训练

train-gpu.bat

image.png

I1020 20:24:15.690196  6056 solver.cpp:422] Iteration 500, Testing net (#0)
I1020 20:24:19.975440  6056 solver.cpp:512]     Test net output #0: accuracy = 0
I1020 20:24:19.975440  6056 solver.cpp:512]     Test net output #1: ctc_loss = 39.3123 (* 1 = 39.3123 loss)

I1020 20:25:09.998301  6056 solver.cpp:422] Iteration 1000, Testing net (#0)
I1020 20:25:13.999531  6056 solver.cpp:512]     Test net output #0: accuracy = 0.9775
I1020 20:25:14.000530  6056 solver.cpp:512]     Test net output #1: ctc_loss = 0.127884 (* 1 = 0.127884 loss)

I1020 20:26:03.341352  6056 solver.cpp:422] Iteration 1500, Testing net (#0)
I1020 20:26:07.203573  6056 solver.cpp:512]     Test net output #0: accuracy = 1
I1020 20:26:07.204573  6056 solver.cpp:512]     Test net output #1: ctc_loss = 0.0036365 (* 1 = 

I1020 20:26:56.820411  6056 solver.cpp:422] Iteration 2000, Testing net (#0)
I1020 20:27:00.899644  6056 solver.cpp:512]     Test net output #0: accuracy = 1
I1020 20:27:00.899644  6056 solver.cpp:512]     Test net output #1: ctc_loss = 0.00361446 (* 1 = 

500样本时 accuracy = 0 没有识别率

1000样本时 accuracy = 0.9775 达到97%

1500样本时 accuracy = 1 这已经可以停止

2000样本时 accuracy = 1 完成训练 达到100%

训练好的文件

选取最后一个库就可以了

image.png

调用识别

使用训练好的文件识别 100%通过 没有错误的.

image.png