TextRecognitionDataGenerator

文本识别的合成数据生成器

这是用来做什么的？

生成文本图像样本以训练OCR软件。现在支持非拉丁文本！欲了解更多教程，请参阅官方文档。

我需要什么才能使其工作？

安装pypi包

pip install trdg

之后，您可以从命令行使用 trdg。我建议使用 virtualenv 而不是用 sudo 安装。

如果您想添加另一种语言，可以克隆存储库。只需运行 pip install -r requirements.txt

Docker 镜像

如果您不想安装任何东西来使用 TextRecognitionDataGenerator，可以拉取 Docker 镜像。

docker pull belval/trdg:latest

docker run -v /output/path/:/app/out/ -t belval/trdg:latest trdg [args]

路径（/output/path/）必须是绝对路径。

新增

• 添加 --stroke_width 参数以设置文本笔触的宽度（感谢 @SunHaozhe）
• 添加 --stroke_fill 参数以设置文本轮廓的颜色，如果笔触 > 0（感谢 @SunHaozhe）
• 添加 --word_split 参数以按单词分割而不是按字符分割。这对于基于连字符的语言很有用
• 添加 --dict 参数以指定自定义字典（感谢 @luh0907）
• 添加 --font_dir 参数以指定要使用的字体
• 添加 --output_mask 以输出每个图像的字符级掩码
• 添加 --character_spacing 以控制字符间的空间（以像素为单位）
• 添加 Python 模块
• 添加 --font 以使用所有生成图像的单一字体（感谢 @JulienCoutault！)
• 添加 --fit 和 --margins 以获得更精细的布局控制
• 使用 -or 参数更改文本方向
• 使用 -tc '#000000,#FFFFFF' 指定文本颜色范围，请注意，引号是 必需的
• 添加对简体中文和繁体中文的支持

它是如何工作的？

单词将从特定语言的字典中随机选择。然后使用指定的字体、背景和修改（倾斜、模糊等）生成这些单词的图像。

基本（Python 模块）

作为 Python 模块的用法与 CLI 非常相似，但如果您想将其直接包含在训练管道中，则它将更加灵活，并且将消耗更少的空间和内存。有 4 个生成器可以使用。

from trdg.generators import (
    GeneratorFromDict,
    GeneratorFromRandom,
    GeneratorFromStrings,
    GeneratorFromWikipedia,
)

# The generators use the same arguments as the CLI, only as parameters
generator = GeneratorFromStrings(
    ['Test1', 'Test2', 'Test3'],
    blur=2,
    random_blur=True
)

for img, lbl in generator:
    # Do something with the pillow images here.

您可以在这里查看完整的类定义

• GeneratorFromDict
• GeneratorFromRandom
• GeneratorFromStrings
• GeneratorFromWikipedia

基本（CLI）

trdg -c 1000 -w 5 -f 64

您将获得 1,000 个随机生成的图像，每个图像上都有随机文本，如下所示

默认情况下，它们将生成到当前工作目录中的 out/

文本倾斜

如果您想要随机倾斜，请添加 -k 和 -rk（《trdg -c 1000 -w 5 -f 64 -k 5 -rk》）

文本扭曲

您也可以使用 -d 和 -do 添加扭曲到生成的文本

文本模糊

但是扫描的文档通常并不那么清晰，对吧？添加 -bl 和 -rbl 以获得用户定义半径（此处为 0、1、2、4）的高斯模糊的生成的图像

背景

也许您想使用另一种背景？添加 -b 以定义三种可用的背景之一：高斯噪声（0）、纯白色（1）、准晶体（2）或图像（3）。

当使用图像背景（3）时，将从 images/ 文件夹中随机选择一个图像，并在其上写入文本。

手写

或者，您可能正在为手写文本进行 OCR 工作？添加 -hw！（实验性）

它使用 Grzego 使用 这个出色的项目 训练的 Tensorflow 模型。

如果不需要此功能，则项目不需要 TensorFlow 来运行

字典

文本在字典文件中随机选择（该文件可从 dicts 文件夹中找到）并绘制在由高斯噪声制成的白色背景上。生成的图像将保存为 [text]_[index].jpg

有很多参数可以调整以获得您想要的结果，因此我建议查看 trdg -h 以获取更多信息。

创建带有中文文本的图片

很简单！只需执行 trdg -l cn -c 1000 -w 5 即可！

生成的文本包含简体和繁体中文。

繁体

简体

创建带有日文文本的图片

很简单！只需执行 trdg -l ja -c 1000 -w 5 即可！

输出

添加新字体

脚本会从 fonts 目录中随机选择一个字体。

只需添加/移除字体，直到得到所需输出。

如果您想添加新的非拉丁语，所需的工作量很小。

1. 创建一个包含您语言 两位字母代码 的新文件夹
2. 在里面添加一个 .ttf 字体文件
3. 编辑 run.py 以在 load_fonts() 中添加一个 if 语句
4. 在 dicts 中添加一个与相同两位字母代码相同的文本文件
5. 像平时一样运行工具，但添加 -l 与您的两位字母代码

目前只支持 .ttf 格式。

基准测试

每秒生成的图片数量。

• Intel Core i7-4710HQ @ 2.50Ghz + SSD (-c 1000 -w 1)
  • -t 1 : 363 img/s
  • -t 2 : 694 img/s
  • -t 4 : 1300 img/s
  • -t 8 : 1500 img/s
• AMD Ryzen 7 1700 @ 4.0Ghz + SSD (-c 1000 -w 1)
  • -t 1 : 558 img/s
  • -t 2 : 1045 img/s
  • -t 4 : 2107 img/s
  • -t 8 : 3297 img/s

贡献

1. 创建一个描述您将要工作的功能的 issue
2. 实现该功能
3. 创建一个 pull request

功能请求 & issues

如果缺少任何内容、不清楚或根本不起作用，请在仓库中打开一个 issue。

还有什么要做？

• 更好的背景生成
• 更好的手写文本生成
• 更多自定义参数（主要关于背景）