Datawhale 零基础入门CV赛事-Task1 赛题理解

本章内容将会对街景字符识别赛题进行赛题背景讲解，对赛题数据的读取进行说明，并给出集中解题思路。

1 赛题理解

赛题名称：零基础入门CV之街道字符识别

赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。

赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。

为了简化赛题难度，赛题数据采用公开数据集SVHN，因此大家可以选择很多相应的paper作为思路参考。

1.1 赛题数据

赛题以街道字符为为赛题数据，数据集报名后可见并可下载，该数据来自收集的SVHN街道字符，并进行了匿名采样处理。

image

注意: 按照比赛规则，所有的参赛选手只能使用比赛给定的数据集完成训练，不能使用SVHN原始数据集进行训练。比赛结束后将会对Top选手进行代码审核，违规的选手将清除排行榜成绩。

训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片。

需要注意的是本赛题需要选手识别图片中所有的字符，为了降低比赛难度，我们提供了训练集、验证集和测试集中所有字符的位置框。

1.2 数据标签

对于训练数据每张图片将给出对于的编码标签，和具体的字符框的位置（训练集、测试集和验证集都给出字符位置），可用于模型训练：

Field Description

top 左上角坐标X

height 字符高度

left 左上角最表Y

width 字符宽度

label 字符编码

字符的坐标具体如下所示：

image

在比赛数据（训练集、测试集和验证集）中，同一张图片中可能包括一个或者多个字符，因此在比赛数据的JSON标注中，会有两个字符的边框信息：

原始图片图片JSON标注

image

image

1.3 评测指标

选手提交结果与实际图片的编码进行对比，以编码整体识别准确率为评价指标。任何一个字符错误都为错误，最终评测指标结果越大越好，具体计算公式如下：

Score=编码识别正确的数量/测试集图片数量

1.4 数据下载

下面的代码可以直接根据mchar_data_list_0515.csv文件，将所有相关数据集下载，并保存到当前路径的data下


import requests

import pandas as pd

import os

import zipfile

data=pd.read_csv('data/mchar_data_list_0515.csv')

mypath='./data/'

if not os.path.exists(mypath):

    os.makedirs(mypath)

# 下载数据

for i,link in enumerate(data['link']):

    file_name = data['file'][i]

    print(file_name, '\t', link)

    file_name = mypath  + file_name

    if not os.path.exists(file_name):

        response = requests.get(link, stream=True)

        with open( file_name, 'wb') as f:

            for chunk in response.iter_content(chunk_size=1024):

                if chunk:

                    f.write(chunk)

# 解压数据

zip_list = ['mchar_train', 'mchar_test_a', 'mchar_val']

for little_zip in zip_list: # 卖萌可耻

    if not os.path.exists(mypath  + little_zip):

        zip_file = zipfile.ZipFile(mypath  + little_zip + '.zip', 'r')

        zip_file.extractall(path = mypath )


mchar_train.zip      http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_train.zip

mchar_train.json     http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_train.json

mchar_val.zip    http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_val.zip

mchar_val.json   http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_val.json

mchar_test_a.zip     http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_test_a.zip

mchar_sample_submit_A.csv    http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_sample_submit_A.csv

1.6 解题思路

赛题思路分析：赛题本质是分类问题，需要对图片的字符进行识别。但赛题给定的数据图片中不同图片中包含的字符数量不等，如下图所示。有的图片的字符个数为2，有的图片字符个数为3，有的图片字符个数为4。

字符属性图片

字符：42 字符个数：2