最近參加阿里天池的“網路影象的文字檢測”挑戰賽，終於結束，最終排名第181，總共是1424只隊伍參加。第一次參加機器學習挑戰賽，成績不是很理想，今天把一些體悟寫一下，希望對後來參加的人有用。

一、賽題簡介

在網際網路世界中，圖片是傳遞資訊的重要媒介。特別是電子商務，社交，搜尋等領域，每天都有數以億兆級別的影象在傳播。圖片文字識別（OCR）在商業領域有重要的應用價值，是資料資訊化和線上線下打通的基礎，也是學術界的研究熱點。然而，研究領域尚沒有基於網路圖片的、以中文為主的OCR資料集。本競賽將公開基於網路圖片的中英混合資料集，該資料集資料量充分，涵蓋幾十種字型，幾個到幾百畫素字號，多種版式，較多幹擾背景。期待學術界可以在本資料集上作深入的研究，工業界可以藉此發展基於OCR的圖片管控，搜尋，資訊錄入等AI領域的工作。

二、資料集

我們提供20000張影象作為本次比賽的資料集。其中50%用來作為訓練集，50%用來作為測試集。該資料集全部來源於網路影象，主要由合成影象，產品描述，網路廣告構成。典型的圖片如圖1所示：

圖1：典型圖片

這些影象是網路上最常見的影象型別。每一張影象或者包含複雜排版，或者包含密集的小文字或多語言文字，或者包含水印，這對文字檢測和識別均提出了挑戰。

對於每一張影象，都會有一個相應的文字檔案（.txt）（UTF-8編碼與名稱：[影象檔名] .txt）。文字檔案是一個逗號分隔的檔案，其中每行對應於影象中的一個文字串，並具有以下格式：

      X1，Y1，X2，Y2，X3，Y3，X4，Y4，“文字”

其中X1，Y1，Y2，X2，X3，X4，Y3，Y4分別代表文字的外接四邊形四個頂點座標。而“文字”是四邊形包含的實際文字內容。

圖2是標註的圖片，紅色的框代表標註的文字框。

圖3是標註圖片對應的文字檔案。標註時我們對所有語言，所有看不清的文字串均標註了外接框（比如圖2中的小字），但對於除了中文，英文以外的其它語言以及看不清的字元並未標註文字內容，而是以“###”代替。

圖2：image.jpg

圖3：image.txt

三、任務描述

網路影象的文字檢測：

檢測並定點陣圖像中的文字行位置，允許使用其它資料集或者生成資料，允許Fine-tuning 模型或者其他模型。入圍團隊提交報告中須對額外使用的資料集，或非本資料集訓練出的模型做出說明。

訓練集：

對於每個影象，只需要用[影象檔名] .txt裡的座標資訊。即： X1，Y1，X2，Y2，

測試集：

輸入：整圖

輸出：對於每一個檢測到的文字框，按行將其頂點座標輸出到對應的[影象檔名] .txt中。

提交：

將所有影象對應的[影象檔名] .txt放到一個zip壓縮包中，然後提交。

四、團隊組建

團隊的力量真的很重要，第一次參加機器學習挑戰賽並完成資料提交，主要是組員一起分解任務，頭腦風暴，群力群策分不開。

組隊由4人組成，分別負責環境搭建、模型訓練和優化、模型測試等。

五、應用工具

                Ubuntu 14.04、Python3.5、TensorFlow、Shapely 1.5.13、Flask 0.10.1、Matplotlib 1.5.1、Scipy 0.19.0、Plumbum 1.6.2、Numpy 1.12.1、Ipython 6.1.0、Pillow 4.2.1等。

六、實現

從接觸大資料及機器學習以來，學習了較多理論知識，但接觸專案不多，大多都是課程的project。抱著重在參與、學習的態度，準備在天池大資料平臺試試水。

A、 環境搭建

Ubuntu、TensorFlow的安裝，網上教程很多，參考：

B、 參考Github上的專案進行模型訓練

模型訓練：

pythonmultigpu_train.py --gpu_list=0 --input_size=512 --batch_size_per_gpu=14--checkpoint_path=/tmp/east_icdar2015_resnet_v1_50_rbox/ \

--text_scale=512--training_data_path=/data/ocr/icdar2015/ --geometry=RBOX--learning_rate=0.0001 --num_readers=24 \

--pretrained_model_path=/tmp/resnet_v1_50.ckpt

模型測試：

python eval.py --test_data_path=/tmp/images/ --gpu_list=0 --checkpoint_path=/tmp/east_icdar2015_resnet_v1_50_rbox/ \

--output_dir=/tmp/

        七、存在問題與總結

問題1：由於時間問題，使用Github別人的專案進行訓練和測試，未進行任何優化，輸出的結果正確率比較低。

問題2：訓練的電腦GPU不好，造成訓練時間很長，效率非常低。

問題3：機器學習TensorFlow方面的知識不夠，還需要加強。