天池大赛——街景字符编码识别比赛(零基础入门CV赛事)
1 赛题理解
1.1 题目内容
识别街景图像中的门牌号。
1.2 数据集
数据集来自Google街景图像中的门牌号数据集(The Street View House Numbers Dataset, SVHN),并根据一定方式采样得到比赛数据集。其中训练集30000张图片,检验集10000张图片,测试集A和B各40000张图片。图片大小不一,为三色RGB图片。标记信息为图片中各个数字的位置框和数字信息。
1.3 解题思路:
方法一:将问题看作定长字符串的分类问题,使用深度神经网络直接预测各个数字。
方法二:先对字符进行检测,再进行分类。
2 数据读取与数据扩增
2.1 数据读取
赛题举办方提供的数据包括由30000张图片组成的训练集,10000张图片组成的检验集和40000张图片组成的测试集A,图片格式为png格式。数据标签为json格式。
数据读取方式:
torch.utils.data.DataLoader, PIL.Image, glob, json库的使用
# 数据标签的 json格式读取,转化为字典格式 import json train_json = json.load(open('mchar_train.json')) # 读取训练图片的路径信息 import glob train_path = glob.glob('./input/mchar_train/*.png') train_path.sort() # 数据读取 class SVHNDataset(Dataset): def __init__(self, img_path, img_label, transform=None): self.img_path = img_path self.img_label = img_label if transform is not None: self.transform = transform else: self.transform = None def __getitem__(self, index): img = Image.open(self.img_path[index]).convert('RGB') if self.transform is not None: img = self.transform(img) # 设置最⻓长的字符⻓长度为4个 lbl = np.array(self.img_label[index], dtype=np.int) lbl = list(lbl) + (4 - len(lbl)) * [10] return img, torch.from_numpy(np.array(lbl[:4])) def __len__(self): return len(self.img_path) # 这里暂时不使用标签中的图片位置信息,只使用类别信息 train_label = [train_json[x]['label'] for x in train_json] # 数据扩充 import torchvision.transforms as transforms # torch中的数据读取方式,利用torch.utils.data.DataLoader 来实现 # transforms 为数据扩充方法 train_loader = torch.utils.data.DataLoader( SVHNDataset(train_path, train_label, transforms.Compose([、 # 缩放到固定尺度 transforms.Resize((64, 128)), # 随机裁剪 transforms.RandomCrop((60, 120)), # 颜色变换 transforms.ColorJitter(0.3, 0.3, 0.2), # 随机旋转 transforms.RandomRotation(5), # 转化为pytorch的tensor transforms.ToTensor(), # 图片像素归一化 transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ])), batch_size=40, shuffle=True, num_workers=0, )
2.2 数据扩充方法
对于图片的数据扩充方法,有尺度变化、随机裁剪、中心裁剪、随机旋转、水平翻转、垂直翻转、颜色对比度变换等。对于数字识别而言,由于数字6和数字9的相似性,不可以使用随机翻转的方法。在上述代码中,使用了随机裁剪、颜色变换、随机旋转这三种数据扩充方法。
3 字符识别模型
3.1 尝试一:定长字符识别模型
对于数据集中的图片,大多数图片的标签数字数量小于5。训练集中的数字标签数字数量统计结果如下:
含有1个数字:4636, 占比15.45%;
含有2个数字:16262, 占比54.21%;
含有3个数字:7813, 占比26.04%;
含有4个数字:1280, 占比4.27%;
含有5个数字:8, 占比0.03%;
含有6个数字,1, 占比0.00%。
对于定长字符识别模型而言,其做法是设定字符长度,将不定长的字符补全(在10个数字类别之外,补充背景类别)。由于绝大多数图片的字符数量小于5, 因此设定定长字符的长度为4。
同时,模型使用了ResNet预训练模型。在ResNet模型的最后一层,并联接上4个子分支,每个分支由两个全连接层组成,分别预测对应位置的数字。
在使用不同ResNet主干网络的情况下,模型取得了不同的预测效果。在使用相同数据增强方法的情况下,使用ResNet18预训练模型,最终得分为0.52;ResNet52 得分为 0.63; ResNet101得分为0.69。在模型训练的过程中出现了过拟合的现象,训练集的误差不断减小,而检验集上的误差最后却保持在一定范围。为了缓解这样的问题,使用额外的数据增强方法对训练集的数据进行了扩增。包括高斯模糊和加入随机噪声等。最后在使用ResNet101主干网络的情况下,模型得分达到了0.73。
3.2 尝试二:两个定长字符识别模型的组合
在使用定长字符模型时,模型最后的4个子分支分别预测不同位置的数字。但是由于不同位置数字出现频率并不相同,比如所有图片都存在第1位数字,因此预测第1位数字的子分支应该可以取得比较准确的预测结果;而对于预测第4位数字的子分支,由于95.7%的标签标记为背景,其预测的效果可能是有问题的。在这样的分析下,从预测效率上来看,可能出现的情况是:子分支1>子分支2>子分支3>子分支4。
因此,一个比较自然的想法是:训练两个模型,其中一个模型从左往右预测数字,另一个模型从右往左预测数字,最后再综合两个模型的预测结果,确定最后的结果。
初步的实验表明:该方法似乎不起效果。。
3.3 尝试三:使用检测+预测的思路
由于数据标签同时包含类别和位置信息,因此可以使用检测+预测的思路来做。同样包括两种方法,第一种方法是同时做检测和类别预测;第二种方法是先做检测,将数字框识别出来,再对图像做裁剪进行分类预测。目前尝试使用了yolov3和yolov4模型来进行预测。初步的实验结果显示模型预测效果极差,基本不具有预测功能。。。
3.4 其它方法
其它方法还包括不定长字符识别方法,其中典型的代表是CTPN;以及两阶段的检测模型,比如Faster RCNN。之后计划将这两个模型都实现一遍。
4 模型训练与验证
定义型的训练函数和验证函数,设置相应的参数,进行训练。其中训练函数train()包含梯度反向传播和参数更新。
def train(train_loader, model, criterion, optimizer): # 切换模型为训练模式 model.train() train_loss = [] T0 = time.time() for i, (input, target) in enumerate(train_loader): if use_cuda: input = input.cuda() target = target.cuda() c0, c1, c2, c3 = model(input) target = target.long() loss = criterion(c0, target[:, 0]) + \ criterion(c1, target[:, 1]) + \ criterion(c2, target[:, 2]) + \ criterion(c3, target[:, 3]) optimizer.zero_grad() loss.backward() optimizer.step() if i % 100 == 0: TT = time.time() print(loss.item(), TT-T0) T0 = time.time() train_loss.append(loss.item()) return np.mean(train_loss) def validate(val_loader, model, criterion): # 切换模型为预测模型 model.eval() val_loss = [] # 不不记录模型梯度信息 with torch.no_grad(): for i, (input, target) in enumerate(val_loader): if use_cuda: input = input.cuda() target = target.cuda() c0, c1, c2, c3 = model(input) target = target.long() loss = criterion(c0, target[:, 0]) + \ criterion(c1, target[:, 1]) + \ criterion(c2, target[:, 2]) + \ criterion(c3, target[:, 3]) val_loss.append(loss.item()) return np.mean(val_loss)
模型训练和验证。将验证结果最好的模型加以保存。
model = SVHN_Model1() criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), 0.001) best_loss = 1000.0 use_cuda = True if use_cuda: model = model.cuda() for epoch in range(5): train_loss = train(train_loader, model, criterion, optimizer) val_loss = validate(val_loader, model, criterion) val_label = [''.join(map(str, x)) for x in val_loader.dataset.img_label] val_predict_label = predict(val_loader, model, 1) val_predict_label = np.vstack([ val_predict_label[:, :11].argmax(1), val_predict_label[:, 11:22].argmax(1), val_predict_label[:, 22:33].argmax(1), val_predict_label[:, 33:44].argmax(1), ]).T val_label_pred = [] for x in val_predict_label: val_label_pred.append(''.join(map(str, x[x!=10]))) val_char_acc = np.mean(np.array(val_label_pred) == np.array(val_label)) print('Epoch: {0}, Train loss: {1} \t Val loss: {2}'.format(epoch, train_loss, val_loss)) print(val_char_acc) # 记录下验证集精度 if val_loss < best_loss: best_loss = val_loss torch.save(model.state_dict(), './model.pt')
5 模型集成
对于模型集成,使用了两种方法。第一种方法是在训练过程中保留了两个“最优模型”,分别对应于检验集损失最少和准确率最高两种情形,最后将两个“最优模型”集成,进行预测。
# 记录下验证集精度 if val_loss < best_loss: best_loss = val_loss torch.save(model.state_dict(), './weights/model.pt') if val_acc > best_acc: best_acc = val_acc torch.save(model.state_dict(), './weights/model_acc.pt')
第二种方法在预测的时候,通过transforms.RandomCrop方法,预测10次,将10次预测结果进行集成。
def predict2(test_loader, model1, model2, tta=10): model1.eval() model2.eval() test_pred_tta = True # TTA 次数 for _ in range(tta): test_pred = [] with torch.no_grad(): for i, (input, target) in enumerate(test_loader): if use_cuda: input = input.cuda() c0, c1, c2, c3 = model1(input) output = np.concatenate([ c0.data.cpu().numpy(), c1.data.cpu().numpy(), c2.data.cpu().numpy(), c3.data.cpu().numpy()], axis=1) c0, c1, c2, c3 = model1(input) output2 = np.concatenate([ c0.data.cpu().numpy(), c1.data.cpu().numpy(), c2.data.cpu().numpy(), c3.data.cpu().numpy()], axis=1) test_pred.append(output+output2) test_pred = np.vstack(test_pred) if test_pred_tta is None: test_pred_tta = test_pred else: test_pred_tta += test_pred return test_pred_tta
最后,在通过设置动态学习率,补充额外的数据增强方法和进行模型集成之后,预测得分达到了0.84。
- 天池零基础入门CV赛事- 街景字符编码识别
- 阿里天池-零基础入门CV赛事- 街景字符编码识别-数据读取与数据扩增
- 阿里天池-零基础入门CV赛事- 街景字符编码识别-赛题理解
- 零基础入门CV赛事- 街景字符编码识别
- 零基础入门CV赛事—街景字符编码识别—Task4 模型训练与验证
- 零基础入门CV赛事—街景字符编码识别—task2数据读取与扩增
- 天池CV赛事-街景字符编码识别(二)—— 数据读取与数据扩增
- 天池比赛:街景字符编码识别(T1赛题理解)
- Datawhale 零基础入门CV赛事-Task03:字符识别模型
- 【学习记录】零基础入门CV之街道字符识别-Task3 字符识别模型
- 阿里云天池零基础入门CV赛事(2)
- 【学习记录】零基础入门CV之街道字符识别-Task 2:数据读取与数据扩增4.92
- 阿里云天池零基础入门CV赛事(1)
- 【学习记录】零基础入门CV之街道字符识别-Task1 赛题理解4.92
- 【学习笔记】零基础入门CV之街道字符识别-模型训练与验证
- 【学习笔记】零基础入门CV之街道字符识别-赛题理解
- 零基础入门CV之街道字符识别 Task3 字符识别模型
- 零基础入门CV之街道字符识别 Task2 数据读取与数据扩增
- 阿里云天池竞赛-零基础入门CV赛事-Task4 模型训练与验证
- 阿里云天池竞赛-零基础入门CV赛事-Task2 数据读取与数据扩增