起步 - 下载
- CC3.1-alpha.7.zip
- CC_Demo.zip
解压 CC3.1-alpha.7.zip 看到 jobs目录 把 CC_Demo.zip 也解压进去.
image.png
文件结构
| 文件 | 说明 |
|---|---|
| make-lmdb.bat | 生成训练所需的lmdb数据库 |
| train-* | 启动训练的批处理脚本 |
| /models | 为训练中保存的模型文件 |
| /samples | 为训练中保存的模型文件 |
其他
nvdia卡算力达到3.0及以上的可使用 train-GPU 系列批处理进行训练
2.非nvdia卡货算理不足的可使用train-CPU 系列批处理进行训练
3.finetune为微调训练 resume为训练
生成验证码样本
image.png
\CC_Demo\samples
image.png
生成标签文件
image.png
image.png
生成数据库
make-lmdb.bat
image.png
生成网络
分类数量看 label-map.txt 的行数
image.png
开始训练
train-gpu.bat
image.png
I1020 20:24:15.690196 6056 solver.cpp:422] Iteration 500, Testing net (#0)
I1020 20:24:19.975440 6056 solver.cpp:512] Test net output #0: accuracy = 0
I1020 20:24:19.975440 6056 solver.cpp:512] Test net output #1: ctc_loss = 39.3123 (* 1 = 39.3123 loss)
I1020 20:25:09.998301 6056 solver.cpp:422] Iteration 1000, Testing net (#0)
I1020 20:25:13.999531 6056 solver.cpp:512] Test net output #0: accuracy = 0.9775
I1020 20:25:14.000530 6056 solver.cpp:512] Test net output #1: ctc_loss = 0.127884 (* 1 = 0.127884 loss)
I1020 20:26:03.341352 6056 solver.cpp:422] Iteration 1500, Testing net (#0)
I1020 20:26:07.203573 6056 solver.cpp:512] Test net output #0: accuracy = 1
I1020 20:26:07.204573 6056 solver.cpp:512] Test net output #1: ctc_loss = 0.0036365 (* 1 =
I1020 20:26:56.820411 6056 solver.cpp:422] Iteration 2000, Testing net (#0)
I1020 20:27:00.899644 6056 solver.cpp:512] Test net output #0: accuracy = 1
I1020 20:27:00.899644 6056 solver.cpp:512] Test net output #1: ctc_loss = 0.00361446 (* 1 =
500样本时 accuracy = 0 没有识别率
1000样本时 accuracy = 0.9775 达到97%
1500样本时 accuracy = 1 这已经可以停止
2000样本时 accuracy = 1 完成训练 达到100%
训练好的文件
选取最后一个库就可以了
image.png
调用识别
使用训练好的文件识别 100%通过 没有错误的.
image.png
