【文字识别与定位】MiniCPM-Llama3-V 2.5
输入“/”快速插入内容
【文字识别与定位】MiniCPM-Llama3-V 2.5
【文字识别与定位】MiniCPM-Llama3-V 2.5
用户309用户3092024年10月9日修改
6061
🙌
适合人员：能够根据python脚本做基本的数据处理，能使用最基本的bash语言
代码使用（2.6版本使用方法相似）：
应广大用户朋友的要求，笔者决定离开舒适区，开发了本次项目。仅使用了900张手写汉字数据，在领域内获得了惊喜的效果，另外在计算机文字上居然也有较好的泛化，测试集效果图如下
如果你想无脑用这个代码请看：
本demo仅适用于横向文本，且定位框为矩形或者近似为矩形（数据所限，非模型能力问题)
1.
获取demo代码
代码块
git clone https://github.com/OpenBMB/MiniCPM-CookBook.git
# 您的star是我更新的动力
2.
数据集处理
代码块
cd /root/ld/ld_project/MiniCPM-CookBook/OCR_VG
3.
按照MiniCPM-CookBook/OCR_VG/data_demo/img_gt.json格式处理数据
代码块
{"data": {
#下面的行是图片的绝对地址
"/root/ld/ld_project/MiniCPM-CookBook/OCR_VG/data_demo/img/000001.jpg": {
#"gt"代表这个图片对应的标注，可能存在多条，所以是一个列表
"gt": [
{
# polygan时定位框的信息，分别为左上，右上，右下，左下的x，y坐标
"polygon": [
[
404.0, 33.0
],
[
485.0, 33.0
],
[
485.0, 103.0
],
[
404.0, 103.0
]
],
# text对应上面这个定位框中的文字
"text": "猫趴在桌子上"
},
.....
# 这里是图片绝对路径
"image_path": "/root/ld/ld_project/MiniCPM-CookBook/OCR_VG/data_demo/img/000001.jpg"
},
.......
}