cnstd

cnstd 是 Python 3 下的场景文字检测（Scene Text Detection，简称STD）工具包，自带了多个训练好的检测模型，安装后即可直接使用。当前的文字检测模型使用的是 PSENet，目前支持两种 backbone 模型：mobilenetv3 和 resnet50_v1b。它们都是在 ICPR 和 ICDAR15 的 11000 张训练集图片上训练得到的。

如需要识别文本框中的文字，可以结合 OCR 工具包 cnocr 一起使用。

本项目初始代码主要来自 saicoco/Gluon-PSENet ，感谢作者。

示例

安装

嗯，安装真的很简单。

pip install cnstd

【注意】：

• 请使用Python3 (3.4, 3.5, 3.6以及之后版本应该都行)，没测过Python2下是否ok。
• 依赖opencv，所以可能需要额外安装opencv。

已有模型

当前的文字检测模型使用的是PSENet，目前包含两个已训练好的模型，分别对应两种backbone模型：mobilenetv3 和 resnet50_v1b。它们都是在ICPR和ICDAR15训练数据上训练得到的。

模型名称	backbone模型	模型大小	迭代次数
resnet50_v1b	resnet50_v1b	121M	49
mobilenetv3	mobilenetv3	31M	59

模型 resnet50_v1b 精度略高于模型 mobilenetv3。

使用方法

首次使用 cnstd 时，系统会自动下载zip格式的模型压缩文件，并存放于 ~/.cnstd目录（Windows下默认路径为 C:\Users\<username>\AppData\Roaming\cnstd）。 下载后的zip文件代码会自动对其解压，然后把解压后的模型相关目录放于~/.cnstd/0.1.0目录中。

如果系统无法自动成功下载zip文件，则需要手动从 百度云盘（提取码为 4ndj）下载对应的zip文件并把它存放于 ~/.cnstd/0.1.0（Windows下为 C:\Users\<username>\AppData\Roaming\cnstd\0.1.0）目录中。放置好zip文件后，后面的事代码就会自动执行了。

图片预测

使用类 CnStd 进行场景文字的检测。类 CnStd 的初始化函数如下：

class CnStd(object):
    """
    场景文字检测器（Scene Text Detection）。虽然名字中有个"Cn"（Chinese），但其实也可以轻松识别英文的。
    """

    def __init__(
        model_name='mobilenetv3',
        model_epoch=None,
        root=data_dir(),
        context='cpu',
        name=None,
    ):

其中的几个参数含义如下：

• model_name: 模型名称，即上面表格第一列中的值，目前仅支持取值为 mobilenetv3 和 resnet50_v1b。默认为 mobilenetv3 。
• model_epoch: 模型迭代次数。默认为 None，表示使用系统自带的模型对应的迭代次数。对于模型名称 mobilenetv3就是 59。
• root: 模型文件所在的根目录。
  • Linux/Mac下默认值为 ~/.cnstd，表示模型文件所处文件夹类似 ~/.cnstd/0.1.0/mobilenetv3。
  • Windows下默认值为 C:\Users\<username>\AppData\Roaming\cnstd。
• context：预测使用的机器资源，可取值为字符串cpu、gpu，或者 mx.Context实例。
• name：正在初始化的这个实例的名称。如果需要同时初始化多个实例，需要为不同的实例指定不同的名称。

每个参数都有默认取值，所以可以不传入任何参数值进行初始化：std = CnStd()。

文本检测使用类CnOcr的函数 detect()，以下是详细说明：

类函数CnStd.detect(img_fp, max_size, pse_threshold, pse_min_area, **kwargs)

函数说明：

• 输入参数 img_fp: 可以是需要识别的图片文件路径，或者是已经从图片文件中读入的数组，类型可以为mx.nd.NDArray 或 np.ndarray，取值应该是[0，255]的整数，维数应该是(height, width, 3)，第三个维度是channel，它应该是RGB格式的。

• 输入参数 max_size: 如果图片的长边超过这个值，就把图片等比例压缩到长边等于这个size。

• 输入参数 pse_threshold: pse中的阈值；越低会导致识别出的文本框越大；反之越小。

• 输入参数 pse_min_area: 面积大小低于此值的框会被去掉。所以此值越小，识别出的框可能越多。

• 输入参数 kwargs: 目前会使用到的keys有：

  • "height_border"，裁切图片时在高度上留出的边界比例，最终上下总共留出的边界大小为height * height_border; 默认为0.05；
  • "width_border"，裁切图片时在宽度上留出的边界比例，最终左右总共留出的边界大小为height * width_border; 默认为0.0；

• 返回值：类型为list，其中每个元素是一个字典， 存储了检测出的一个框的各种信息。字典包括以下几个值：

  • "box"：检测出的文字对应的矩形框四个点的坐标（第一列对应宽度方向，第二列对应高度方向）； np.ndarray类型，shape==(4, 2)；

  • "score"：得分；float类型；分数越高表示越可靠；

  • "croppped_img"：对应 "box" 中的图片patch（RGB格式），会把倾斜的图片旋转为水平。 np.ndarray类型，shape==(width, height, 3)；

  • 示例:

		  [{'box': array([[416,  77],
		                  [486,  13],
		                  [800, 325],
		                  [730, 390]], dtype=int32),
		    'score': 1.0, 
		    'cropped_img': array([[[25, 20, 24],
		                           [26, 21, 25],
		                           [25, 20, 24],
		                          ...,
		                           [11, 11, 13],
		                           [11, 11, 13],
		                           [11, 11, 13]]], dtype=uint8)},
		   ...
		  ]

调用示例

from cnstd import CnStd
std = CnStd()
box_info_list = std.detect('examples/taobao.jpg')

或：

import mxnet as mx
from cnstd import CnStd

std = CnStd()
img_fp = 'examples/taobao.jpg'
img = mx.image.imread(img_fp, 1)
box_info_list = std.detect(img)

识别检测框中的文字（OCR）

上面示例识别结果中"cropped_img"对应的值可以直接交由 cnocr 中的 CnOcr 进行文字识别。如上例可以结合 CnOcr 进行文字识别：

from cnstd import CnStd
from cnocr import CnOcr

std = CnStd()
cn_ocr = CnOcr()

box_info_list = std.detect('examples/taobao.jpg')

for box_info in box_info_list:
    cropped_img = box_info['cropped_img']
    ocr_res = cn_ocr.ocr_for_single_line(cropped_img)
    print('ocr result: %s' % ''.join(ocr_res))

注：运行上面示例需要先安装 cnocr ：

pip install cnocr

脚本使用

cnstd 包含了几个命令行命令，安装 cnstd 后即可使用。

预测单个文件或文件夹中所有图片

使用命令 cnstd evaluate 预测单个文件或文件夹中所有图片，以下是使用说明：

(venv) ➜  cnstd git:(master) ✗ cnstd evaluate -h
Usage: cnstd evaluate [OPTIONS]

Options:
  --backbone [mobilenetv3|resnet50_v1b]
                                  backbone model name
  --model_root_dir TEXT           模型所在的根目录
  --model_epoch INTEGER           model epoch
  -i, --img_dir TEXT              评估图片所在的目录或者单个图片文件路径
  --max_size INTEGER              图片预测时的最大尺寸（最好是32的倍数）。超过这个尺寸的图片会被等比例压缩到此尺寸
                                  [Default: 768]

  --pse_threshold FLOAT           threshold for pse [Default: 0.45]
  --pse_min_area INTEGER          min area for pse [Default: 100]
  --gpu INTEGER                   使用的GPU数量。默认值为-1，表示自动判断
  -o, --output_dir TEXT           输出结果存放的目录
  -h, --help                      Show this message and exit.

例如可以使用以下命令对图片 examples/taobao.jpg进行检测，并把检测结果存放在目录 outputs中：

cnstd evaluate -i examples/taobao.jpg -o outputs

具体使用也可参考文件 Makefile 。

模型训练

使用命令 cnstd train 训练文本检测模型，以下是使用说明：

(venv) ➜  cnstd git:(master) ✗ cnstd train -h
Usage: cnstd train [OPTIONS]

Options:
  --backbone [mobilenetv3|resnet50_v1b]
                                  backbone model name
  --pretrain_model_fp TEXT        初始化模型路径
  --gpu INTEGER                   使用的GPU数量。默认值为-1，表示自动判断
  --optimizer TEXT                optimizer for training [Default: Adam]
  --batch_size INTEGER            batch size for each device [Default: 4]
  --epoch INTEGER                 train epochs [Default: 50]
  --lr FLOAT                      learning rate [Default: 0.001]
  --momentum FLOAT                momentum [Default: 0.9]
  --wd FLOAT                      weight decay factor [Default: 0.0]
  --log_step INTEGER              隔多少步打印一次信息 [Default: 5]
  -r, --root_dir TEXT             数据所在的根目录，它与索引文件中指定的文件路径合并后获得最终的文件路径
  -i, --train_index_fp TEXT       存放训练数据的索引文件
  -o, --output_dir TEXT           模型输出的根目录 [Default: ~/.cnstd]
  -h, --help                      Show this message and exit.

具体使用可参考文件 Makefile 。

未来工作

• 进一步精简模型结构，降低模型大小。
• PSENet速度上还是比较慢，尝试更快的STD算法。
• 加入更多的训练数据。