文章目录
- 前言
- 1、PaddleOCR工程下载链接
- 2、数据合成工具
- 总结
前言
最近在搞OCR识别，由于开源数据集不太符合我的需求，所以只好自己来生成一些自己的数据集。这里主要介绍PaddleOCR里给的一个StyleText和自己另外找的一个数据合成工具，思路就是提取出来已有数据的背景，然后更改文本内容和保存的背景进行融合。下面切入正题。
提示：以下是本篇文章正文内容，下面案例可供参考
1、PaddleOCR工程下载连接
https://github.com/PaddlePaddle/PaddleOCR
安装步骤在它的教程里已经给了，大家可以根据教程只是进行安装和训练，文档写的很清晰，也可以自行百度查询。 它的一些教程文档在doc/doc_ch里，里面包含各种教程及介绍，还有一些高频问题，大家可以仔细阅读。
2、数据合成工具
2.1StyleText
它的位置如下图所示，框中的部分是它的一些教程文档，大家可以根据这个文档进行操作。这个数据合成工具用于向于更换图片背景，从而扩增我们的数据量。它在执行过程中会给我们保留下来三张图，分别是fake_fusion.jpg（生成的合成数据）、fake_bg.jpg(擦除文字后的 背景图) 以及fake_text.jpg(用我们提供的字符生成的灰色背景的文字图片) 。然而，在实际使用中我发现，它给定的那几个风格图片效果较好，而想要提取自己的数据背景效果却不好，有的字体的擦除效果并不是很好，所以建议自己在手动筛选一下生成的背景图。
合成单张图时，执行命令在上图框中的README_ch.md文档中的第64行，参数介绍如下
生成大量数据时，执行的命令为REAMME_ch.md文档的131行左右（如果版本没啥变化的话），它的参数含义和生成单张图大致相同，只不过改了运行文件和配置文件而已。还有就是批量合成数据时，默认只保存了生成图像，没有保存背景图。如果自己的背景图充足的情况下，则无需保存背景图，直接在语料库（examples/corpus/example.txt）里添加自己家的语料,它会在其中随机选取一行作为我们的文本内容去合成数据；需要保存背景图的话，需要自己去添加相应的代码（在engine/predictors.py或者engine/synthesisers.py里，找对地方直接cv2.imwrite即可）。
2.2 合成中英文数据
2.2.1：下载链接：
https://github.com/junwenzhu/chinese-image-generator#%E5%8A%9F%E8%83%BD
2.2.2：简单介绍：
这个工具我们只需将背景图放入bg文件夹下，然后在corpus/CN或者corpus/EN下放入我们自己的语料，然后它会根据我们的cfg.py中给定的参数来生成对应的数据，cfg.py中的文件注释也很充足，我们只需要改成自己的即可，然后运行main.py，会生成res文件夹，里面就是我们生成的数据以及对应的txt文档（里面记录了图片路径对应的文本内容）。如果我们字符不在他给定的字典中，将该字符加入到charset_raw.txt里即可（最好在末尾追加，然后在加一行回车），charset_unique.txt是去重后得到字典 。
总结
以上就是我生成数据的方式，这也是本人第一次写，时间也有点仓促，可能有很多不足，还请指正。