训练验证码-4、ddddocr训练字符验证码

firelogurupyyamltqdmnumpypillow==9.5.0onnxddddocr-py311

Model:    CharSet: []     # 字符集，不要动，会自动生成    ImageChannel: 1 # 图片通道数，如果你想以灰度图进行训练，则设置为1，彩图，则设置为3。如果设置为1，数据集是彩图，项目会在训练的过程中自动在内存中将读取到的彩图转为灰度图，并不需要提前自己修改并且该设置不会修改本地图片    ImageHeight: 64 # 图片自动缩放后的高度，单位为px,高度必须为16的倍数，会自动缩放图像    ImageWidth: -1  # 图片自动缩放后的宽度，单位为px，本项若设置为-1，将自动根据情况调整    Word: false     # 是否为CNN模型，这里在创建项目的时候通过参数控制，不要自己修改System:    Allow_Ext: [jpg, jpeg, png, bmp]  # 支持的图片后缀，不满足的图片将会被自动忽略    GPU: true                         # 是否启用GPU去训练，使用GPU训练需要参考步骤一安装好环境    GPU_ID: 0                         # GPU设备号，0为第一张显卡    Path: ''                          # 数据集根目录，在缓存图片步骤会自动生成，不需要自己改，除非数据集地址改了    Project: test                     # 项目名称 也就是{project_name}    Val: 0.03                         # 验证集的数据量比例，0.03就是3%，在缓存数据时，会自动选则3%的图片用作训练过程中的数据验证，修改本值之后需要重新缓存数据Train:    BATCH_SIZE: 32                                    # 训练时每一个batch_size的大小，主要取决于你的显存或内存大小，可以根据自己的情况，多测试，一般为16的倍数,如16，32，64，128    CNN: {NAME: ddddocr}                              # 特征提取的模型，目前支持的值为ddddocr,effnetv2_l,effnetv2_m,effnetv2_xl,effnetv2_s,mobilenetv2,mobilenetv3_s,mobilenetv3_l    DROPOUT: 0.3                                      # 非专业人员不要动    LR: 0.01                                          # 初始学习率    OPTIMIZER: SGD                                    # 优化器，不要动    SAVE_CHECKPOINTS_STEP: 2000                       # 每多少step保存一次模型    TARGET: {Accuracy: 0.97, Cost: 0.05, Epoch: 20}   # 训练结束的目标，同时满足时自动结束训练并保存onnx模型，Accuracy为需要满足的最小准确率，Cost为需要满足的最小损失，Epoch为需要满足的最小训练轮数    TEST_BATCH_SIZE: 32                               # 测试时每一个batch_size的大小，主要取决于你的显存或内存大小，可以根据自己的情况，多测试，一般为16的倍数,如16，32，64，128    TEST_STEP: 1000                                   # 每多少step进行一次测试

import ddddocrocr = ddddocr.DdddOcr(det=False, ocr=False, show_ad=False, import_onnx_path="charprj_1.0_23_6000_2023-10-26-23-47-08.onnx", charsets_path="charsets.json")with open(r"D:Yzmtrainimg_other1CBH_1578451419953.png", 'rb') as f:    image_bytes = f.read()print(ocr.classification(image_bytes))