TextRecognitionDataGenerator

一个用于文本识别的合成数据生成器

它的用途是什么？

生成文本图像样本以训练OCR软件。现在支持非拉丁文本！有关更详细的教程，请参阅官方文档。

我需要做什么才能使它工作？

安装pypi包

pip install trdg

之后，您可以从命令行使用trdg。我建议使用虚拟环境而不是使用sudo安装。

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

Docker镜像

如果您不想安装任何东西就使用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。

新功能

添加--stroke_width参数设置文本描边宽度（感谢@SunHaozhe）
添加--stroke_fill参数设置文本轮廓颜色（当描边>0时）（感谢@SunHaozhe）
添加--word_split参数按单词而不是按字符分割。这对基于连字的语言很有用
添加--dict参数指定自定义词典（感谢@luh0907）
添加--font_dir参数指定要使用的字体
添加--output_mask为每个图像输出字符级掩码
添加--character_spacing控制字符之间的间距（以像素为单位）
添加Python模块
添加--font为所有生成的图像仅使用一种字体（感谢@JulienCoutault！）
添加--fit和--margins以实现更精细的布局控制
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
添加对简体和繁体中文的支持

它是如何工作的？

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

基本用法（Python模块）

作为Python模块的用法与CLI非常相似，但如果您想直接将其包含在训练流程中，它更灵活，并且会消耗更少的空间和内存。有4个可以使用的生成器。

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

# 生成器使用与CLI相同的参数，只是作为参数传递
generator = GeneratorFromStrings(
    ['Test1', 'Test2', 'Test3'],
    blur=2,
    random_blur=True
)

for img, lbl in generator:
    # 在这里对Pillow图像进行操作。

您可以在这里查看完整的类定义：

基本用法（CLI）

trdg -c 1000 -w 5 -f 64

您将获得1,000个带有随机文本的随机生成图像，如：

默认情况下，它们将生成在当前工作目录的out/文件夹中。

文本倾斜

如果您想要随机倾斜怎么办？添加-k和-rk（trdg -c 1000 -w 5 -f 64 -k 5 -rk）

文本扭曲

您还可以使用-d和-do为生成的文本添加扭曲

文本模糊

但扫描的文档通常不是那么清晰，对吧？添加-bl和-rbl以在生成的图像上应用用户定义半径的高斯模糊（这里是0、1、2、4）：

背景

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

使用图像背景（3）时。将从images/文件夹中随机选择一张图像，并在其上写入文本。

手写

或者也许您正在开发一个手写文本的OCR？添加-hw！（实验性功能）

它使用了一个由Grzego的这个优秀项目训练的TensorFlow模型。

如果你不使用这个功能，该项目运行时不需要TensorFlow

词典

文本是从字典文件（可在dicts文件夹中找到）中随机选择的，并绘制在由高斯噪声生成的白色背景上。生成的图像保存为[文本]_[索引].jpg

有许多参数可以调整以获得你想要的结果，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像

很简单！只需执行trdg -l cn -c 1000 -w 5即可！

生成的文本包括简体和繁体中文。

繁体：

简体：

创建带有日语文本的图像

很简单！只需执行trdg -l ja -c 1000 -w 5即可！

输出

添加新字体

脚本从fonts目录中随机选择字体。

目录	语言
fonts/latin	英语、法语、西班牙语、德语
fonts/cn	中文
fonts/ko	韩语
fonts/ja	日语
fonts/th	泰语

只需添加/删除字体，直到获得所需的输出。

如果你想添加一种新的非拉丁语言，工作量很小。

使用你的语言两个字母的代码创建一个新文件夹
在其中添加一个.ttf字体
编辑run.py，在load_fonts()中添加一个if语句
在dicts中添加一个具有相同两个字母代码的文本文件
像平常一样运行工具，但添加-l和你的两个字母代码

目前只支持.ttf格式。

基准测试

每秒生成的图像数量。

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

贡献

创建一个描述你将要开发的功能的问题
编写该功能的代码
创建一个拉取请求

功能请求和问题

如果有任何缺失、不清楚或simply无法工作的地方，请在仓库中提出问题。

还有什么需要做？

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）