Paddle OCR数据集制作

PPOCRLabelv2是一款适用于OCR领域的半自动图形标注工具，内置PP-OCR模型，自动检测和重新识别数据。用Python3和PyQT5编写，支持矩形框、表格、不规则文本和关键信息标注方式。标注可以直接用于PP-OCR检测识别模型的训练。

1. 标注方法：自动标注后，对没有标注上的手动绘制矩形框，重新识别，check，导出标签文件。

2. 注意事项：

①标注矩形框先标左上角再标注右下角

②自动识别在矩形框大小合适时识别正确率高

③进入paddle_env，PPOCRLabel启动标注

④重复标注矩形框，会增加识别训练中的图像

3. 内置模型

• 默认模型：PPOCRLabel默认使用PaddleOCR中的中英文超轻量级OCR模型，支持中英文和数字识别，多语言检测。

• 模型语言切换：支持切换内置模型语言，点击菜单栏“PaddleOCR”-“选择OCR模型”即可。目前支持的语言包括法语、德语、韩语和日语。具体模型下载链接请参考PaddleOCR模型列表

• 自定义模型：如果用户想用自己的推理模型替换内置模型，他们可以通过修改PPOCRLabel.py来修改 PPOCRLabel.py 来实例化 PaddleOCR 类：

add parameter det_model_dir in self.ocr = PaddleOCR(use_pdserving=False, use_angle_cls=True, det=True, cls=True, use_gpu=gpu, lang=lang)

4. 数据集划分

在终端输入如下命令执行数据集划分脚本：

cd ./PPOCRLabel # Change the directory to the PPOCRLabel folder
python gen_ocr_train_val_test.py --trainValTestRatio 6:2:2 --datasetRootPath ../train_data 

参数说明：

• trainValTestRatio是训练集、验证集、测试集图片个数的划分比例，根据自己的实际情况设置，默认为6:2:2

• datasetRootPath是PPOCRLabel标注的完整数据集的存储路径。默认路径为PaddleOCR/train_data.

|-train_data
  |-crop_img
    |- word_001_crop_0.png
    |- word_002_crop_0.jpg
    |- word_003_crop_0.jpg
    | ...
  | Label.txt
  | rec_gt.txt
  |- word_001.png
  |- word_002.jpg
  |- word_003.jpg
  | ...

数据集拆分后

详情请参考

半自动标志工具PPOCRLabel https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6/PPOCRLabel/README.md