OCR识别中,样本均衡性判断

在深度学习中,样本不均衡是指不同类别的样本数据量差别比较大,利用不均衡样本训练出来的模型泛化能力差,并且容易发生过拟合。

对于图像的分类问题,通过各个类别的样本数量就可以判断出训练样本是否过拟合。对于OCR识别问题,我们的目的是准确的识别出文本中的每个字符,训练样本通常是不定长度不同字符的组合,因此这里的样本不均衡指的是不同字符的数量差别比较大,无法简单通过图像的数量判断,但是可以对训练样本和对应的标注文档进行遍历,从而获得字典中每个字符的出现频率,进一步判断训练样本是否均衡!
贴上完整的代码!

最后贴上完整的代码:

# -*- coding: utf-8 -*-

# Usage:
# python /input/image/and/txt/folder/path/ /output/folder/path

import os
import sys
import glob as gb

def get_label_files(folder):
    in_path = os.path.join(folder, "*.txt")
    files = []
    for txt_file in gb.glob(in_path):
        img_file = txt_file[:-3] + "jpg"
        if os.path.exists(img_file):
            files.append(os.path.basename(txt_file))
    return files


if __name__ == '__main__':

    # input_folder = sys.argv[1]
    # output_folder = sys.argv[2]

    # get images and corresponding txt files
    files = []
    files = get_label_files(input_folder)

    # get dict
    dict_file = './dml_digital.txt'
    result = dict()
    with open(dict_file, 'r') as file:
        for line in file:
            line = line.decode('utf-8').strip()
            result[line] = 0

    # trace files to get statistics
    for label_file in files:
        with open(os.path.join(input_folder, label_file)) as file:
            text = file.read().decode("utf-8").strip()
            length = len(text)
            for k in range(length):
                if result.has_key(text[k]):
                    result[text[k]] += 1

    # write statistics
    output_file_path = os.path.join(output_folder,os.path.basename(input_folder) + '.txt')

    with open(output_file_path, 'w+') as f:
        for key, val in result.items():
            f.write(key.encode("utf-8") + ' ' + str(val) + '\n')
    print('Finished calculation!')

当代码执行完成后,在 output_folder 目录下就可以看到与训练样本所在文件夹同名的txt文件,下面是txt内容的部分截图,第一列是字典中的字符,第二列是训练集中该字符出现的次数,可以很明显的看出训练样本是不均衡的,阿拉伯数字的数量远远高于大写字母和汉字,接下来我们就可以根据识别需求对训练样本进行调整了,收工!
统计结果.jpeg

其实样本的均衡性判断是训练前的工作,活生生的被我拖到了现在,又一次战胜了拖延症,奖励自己一块西瓜🍉!

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 162,710评论 4 376
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 68,839评论 2 308
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 112,295评论 0 255
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 44,776评论 0 223
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 53,198评论 3 297
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 41,074评论 1 226
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 32,200评论 2 322
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,986评论 0 214
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,733评论 1 250
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,877评论 2 254
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,348评论 1 265
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,675评论 3 265
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 33,393评论 3 246
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,209评论 0 9
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,996评论 0 201
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 36,212评论 2 287
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 36,003评论 2 280

推荐阅读更多精彩内容