🔨

[1_2_1.1.1.1] MMOCR 에서 제공되는 임의의 recognition 모델을 ICDAR 2015 데이터셋으로 학습한다.

상태

Done

담당

마감일

2022/11/14

요약

학습된 모델 평가가 가능하면 끝

선행 태스크

선행 태스크 상태

후행 태스크

관련 마일스톤

2 more properties

•

[1_1]
MMOCR 에서 제공되는 임의의 detection 모델을 샘플 데이터(MINI-ICDAR2015)로 학습한다. → 이때 사용했던 커맨드를 참고한다.

학습

•

Evaluator is mainly used to manage multiple datasets and multiple Metrics. For single and multiple dataset cases, there are single and multiple dataset evaluators, both of which can manage multiple Metrics. 

파일 crnn_mini-vgg_5e_icdar2015.py 을 생성한다.

_base_ = [
    '_base_crnn_mini-vgg.py',
    '../_base_/datasets/icdar2015.py',
    '../_base_/default_runtime.py',
    '../_base_/schedules/schedule_adadelta_5e.py',
]

# dataset settings
train_list = [_base_.ic15_rec_train]
test_list = [_base_.ic15_rec_test]

default_hooks = dict(logger=dict(type='LoggerHook', interval=50), )

train_dataloader = dict(
    batch_size=64,
    num_workers=8,
    persistent_workers=True,
    sampler=dict(type='DefaultSampler', shuffle=True),
    dataset=dict(
        type='ConcatDataset',
        datasets=train_list,
        pipeline=_base_.train_pipeline))

val_dataloader = dict(
    batch_size=1,
    num_workers=4,
    persistent_workers=True,
    drop_last=False,
    sampler=dict(type='DefaultSampler', shuffle=False),
    dataset=dict(
        type='ConcatDataset',
        datasets=test_list,
        pipeline=_base_.train_pipeline))

val_evaluator = dict(dataset_prefixes=['IC15'])

test_dataloader = val_dataloader

test_evaluator = val_evaluator

model = dict(decoder=dict(dictionary=dict(with_unknown=True)))
Bash
복사

ICDAR 2015 text recognition 데이터로 학습

학습은 5에폭만에 종료된다.

Quick Run - MMOCR 1.0.0rc3 documentation

Please refer to here for a quick inference run. A detailed description of MMOCR's inference interface can be found here Note In addition to using our well-provided pre-trained models, you can also train models on your own datasets.

https://mmocr.readthedocs.io/en/dev-1.x/get_started/quick_run.html

# python3 -m tools.train {config_file_path}
python3 -m tools.train \
configs/textrecog/crnn/crnn_mini-vgg_5e_icdar2015.py
Bash
복사

2-gpu

학습은 5에폭만에 종료된다.

Training and Testing - MMOCR 1.0.0rc3 documentation

To meet diverse requirements, MMOCR supports training and testing models on various devices, including PCs, work stations, computation clusters, etc. tools/train.py provides the basic training service. MMOCR recommends using GPUs for model training and testing, but it still enables CPU-Only training and testing.

https://mmocr.readthedocs.io/en/dev-1.x/user_guides/train_test.html

# tools/dist_train.sh {config_file_path} {n_gpu}
tools/dist_train.sh \
configs/textrecog/crnn/crnn_mini-vgg_5e_icdar2015.py \
2
Bash
복사

학습(에폭 수 바꾸기)

•

파이프라인이 정상적으로 작동하는 것을 확인했다면 에폭수를 늘릴 차례이다.

최적화 스케줄러를 다시 정의한다.

최적화 스케줄러를 수정한 뒤 파일 이름을 crnn_mini-vgg_5e_icdar2015.py 에서 crnn_mini-vgg_1200e_icdar2015 로 변경한다. 1200e 는 1200에폭을 의미한다.

# optimizer
optim_wrapper = dict(
    type='OptimWrapper',
    optimizer=dict(type='SGD', lr=0.007, momentum=0.9, weight_decay=0.0001))
train_cfg = dict(type='EpochBasedTrainLoop', max_epochs=1200, val_interval=20)
val_cfg = dict(type='ValLoop')
test_cfg = dict(type='TestLoop')
# learning policy
param_scheduler = [
    dict(type='PolyLR', power=0.9, eta_min=1e-7, end=1200),
]
Bash
복사

모델이 사용하는 스케줄러 바꾸기

_base_ = [
    '_base_crnn_mini-vgg.py',
    '../_base_/datasets/icdar2015.py',
    '../_base_/default_runtime.py',
    '../_base_/schedules/schedule_sgd_1200e.py',
]
Bash
복사

에폭 수가 늘어났으므로 매 에폭마다 모델 가중치를 저장하지 않도록 하단에 다음과 같은 내용을 추가함.

# override: ../_base_/schedules/schedule_sgd_1200e.py
# Save checkpoints every 10 epochs
default_hooks = dict(checkpoint=dict(type='CheckpointHook', interval=10), )
Bash
복사

훈련 시작

# command
# single gpu
python3 -m tools.train configs/textrecog/crnn/crnn_mini-vgg_1200e_icdar2015.py
# multi gpu
tools/dist_train.sh configs/textrecog/crnn/crnn_mini-vgg_1200e_icdar2015.py 2
Bash
복사

평가

11/16 12:30:12 - mmengine - INFO - Epoch(test) [1039/1039]  IC15/recog/word_acc: 0.0520  IC15/recog/word_acc_ignore_case: 0.0587  IC15/recog/word_acc_ignore_case_symbol: 0.0602  IC15/recog/char_recall: 0.2767  IC15/recog/char_precision: 0.2925
Bash
복사

•

알게 된 점

◦

ocr 모델 ICDAR 만으로 학습 절대안됨

▪