起步 - 下載
- CC3.1-alpha.7.zip
- CC_Demo.zip
解壓 CC3.1-alpha.7.zip 看到 jobs目錄 把 CC_Demo.zip 也解壓進去.
image.png
文件結構
| 文件 | 說明 |
|---|---|
| make-lmdb.bat | 生成訓練所需的lmdb數(shù)據(jù)庫 |
| train-* | 啟動訓練的批處理腳本 |
| /models | 為訓練中保存的模型文件 |
| /samples | 為訓練中保存的模型文件 |
其他
nvdia卡算力達到3.0及以上的可使用 train-GPU 系列批處理進行訓練
2.非nvdia卡貨算理不足的可使用train-CPU 系列批處理進行訓練
3.finetune為微調(diào)訓練 resume為訓練
生成驗證碼樣本
image.png
\CC_Demo\samples
image.png
生成標簽文件
image.png
image.png
生成數(shù)據(jù)庫
make-lmdb.bat
image.png
生成網(wǎng)絡
分類數(shù)量看 label-map.txt 的行數(shù)
image.png
開始訓練
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樣本時 accuracy = 0 沒有識別率
1000樣本時 accuracy = 0.9775 達到97%
1500樣本時 accuracy = 1 這已經(jīng)可以停止
2000樣本時 accuracy = 1 完成訓練 達到100%
訓練好的文件
選取最后一個庫就可以了
image.png
調(diào)用識別
使用訓練好的文件識別 100%通過 沒有錯誤的.
image.png
