CT¶
1. 算法简介¶
论文信息:
CentripetalText: An Efficient Text Instance Representation for Scene Text Detection Tao Sheng, Jie Chen, Zhouhui Lian NeurIPS, 2021
在Total-Text文本检测公开数据集上,算法复现效果如下:
模型 | 骨干网络 | 配置文件 | precision | recall | Hmean | 下载链接 |
---|---|---|---|---|---|---|
CT | ResNet18_vd | configs/det/det_r18_vd_ct.yml | 88.68% | 81.70% | 85.05% | 训练模型 |
2. 环境配置¶
请先参考《运行环境准备》配置PaddleOCR运行环境,参考《项目克隆》克隆项目代码。
3. 模型训练、评估、预测¶
CT模型使用Total-Text文本检测公开数据集训练得到,数据集下载可参考 Total-Text-Dataset, 我们将标签文件转成了paddleocr格式,转换好的标签文件下载参考train.txt, text.txt。
请参考文本检测训练教程。PaddleOCR对代码进行了模块化,训练不同的检测模型只需要更换配置文件即可。
4. 推理部署¶
4.1 Python推理¶
首先将CT文本检测训练过程中保存的模型,转换成inference model。以基于Resnet18_vd骨干网络,在Total-Text英文数据集训练的模型为例( 模型下载地址 ),可以使用如下命令进行转换:
CT文本检测模型推理,可以执行如下命令:
可视化文本检测结果默认保存到./inference_results
文件夹里面,结果文件的名称前缀为det_res
。结果示例如下:
4.2 C++推理¶
暂不支持
4.3 Serving服务化部署¶
暂不支持
4.4 更多推理部署¶
暂不支持
5. FAQ¶
引用¶
@inproceedings{sheng2021centripetaltext,
title={CentripetalText: An Efficient Text Instance Representation for Scene Text Detection},
author={Tao Sheng and Jie Chen and Zhouhui Lian},
booktitle={Thirty-Fifth Conference on Neural Information Processing Systems},
year={2021}
}