我正在进行一个OCR项目，旨在从体育图像中准确地读取球员编号和姓名。这些图像具有10种不同的自定义字体，主要是粗体和粗体的，以迎合体育美学。主要挑战是模型在这些样式字体的约束下区分相似字符的能力。
字体：10个自定义体育字体(英文A-Z,a-z,0-9)。
训练数据：生成的数据集，包含约20万张图像，包括每种字体的3-10个字符的混合大小写、非空格和数字(00-99)。
经过num_iter:750000次训练后，损失：0.00126,验证损失：0.15052
遇到的问题：
- 我在验证集上测试时，准确率约为94%,但如果我用训练集测试时，准确率仍然是85-90%,我认为它应该更高，因为我用75万次迭代进行了训练，它应该高于验证集。
- 相似字符之间的混淆：模型经常将看起来相似的字符弄混。例如，它将“NATALIE”读作“NATALlE”，将“I”和“l”混淆在一起。它还将“Q”与“O”和“Z”与“z”混淆。我认为这可能是因为训练集随机混合了大小写字母。如果我切换到使用全大写字母如“AAAA”或全小写字母如“aaaa”或“Aaaa”，你觉得这会让它变得更好吗？
- 随机错误的预测(无明显模式，例如，“EGH”读作“DF”)。
请求帮助：
我正在寻求关于如何提高模型在区分相似字符方面的性能的建议。任何关于训练策略、网络调整或数据预处理技术的建议都将受到极大的欢迎。
这里是我想预测的实际图像。
这里是我用作训练集的生成图像。
这是我使用的配置
batch_size: 32
FT: False
optim: False
lr: 1
beta1: 0.9
total_data_usage_ratio: 1.0
batch_max_length: 34
imgH: 64
imgW: 600
rgb: False
contrast_adjust: 0.0
sensitive: True
PAD: True
data_filtering_off: False
Transformation: None
FeatureExtraction: VGG
SequenceModeling: BiLSTM
Prediction: CTC
num_fiducial: 20
input_channel: 1
output_channel: 256
hidden_size: 256
decode: greedy
5条答案
按热度按时间2j4z5cfb1#
你好，我想问你用这个迭代次数和数据集大小微调模型花了多长时间，因为我只用了3000次迭代和20K张图片，它花费了很长时间。
s4chpxco2#
你好，我想问你用这个迭代次数和数据集大小微调模型需要多长时间，因为我只用了3000次迭代和20K张图片，它花费了很长时间。
使用200K张图片和40,000次迭代大约需要1小时。
aij0ehis3#
你好，我想问一下，你用这个迭代次数和数据集大小微调模型花了多长时间？我只有3000次迭代和20K张图片，但是它花费了很长时间。
使用200K张图片和40,000次迭代大约需要1小时。
感谢回复。另外，请告诉我你的GPU规格，我有3050 12G的显卡，但仍然需要超过4个小时。
v7pvogib4#
你好，我想问一下你用这个迭代次数和数据集大小微调模型花了多长时间，因为我只用了3000次迭代和20K张图片，它花费了很长时间。
使用200K张图片和40,000次迭代大约需要1小时。
感谢回复。另外，请告诉我你的GPU规格，我有3050 12G,但仍然超过了4个小时。
我使用的是4060Ti 16GB。你选择了多大的学习率和批量大小？
3wabscal5#
你好，我想问一下你用这个迭代次数和数据集大小微调模型花了多长时间，因为我只用了3000次迭代和20K张图片，它花费了很长时间。
200K张图片，40,000次迭代大约需要1小时。
感谢回复。另外，请告诉我你的GPU规格，我有3050 12G,但仍然超过了4个小时。
我使用的是4060Ti 16GB。你选择了多大的学习率和批量大小？
我正在使用以下配置：