DAY13：玉山人工智慧挑战赛-中文手写字辨识（资料前处理）

问题及解决方法

• 资料集问题：

  • 图档没有文字却有标签。
  • 一张图片多个文字。
  • 标签错误。
  • 图档的字不明确。

• 解决方法：

  • 我们先用抽样的小量样本（这里我们讨论後只采取3000张图片样本），後采用於物件侦测的YOLOv4帮我们自动框出中文字。
  • 标签错误则手动标签更正。
  • 图档文字不明确直接删除。

实作内容

• LabelImg

  • 有两种方法可以执行，可用python或下载exe执行，这边我直接去官网下载exe来执行。

    • 载完打开exe後，需要设定训练集的路径以及标记後的XML档储存路径。
      　　
      

    • 再来要设定自动储存，勾选auto save。

    

    • 之後就来框选中文字，将他标记为word。

    

    • 框完在你储存XML的资料夹内会产生XML档。

    

    • XML档不要有中文出现。

    

• Colab及模型成效
  • 接下来就是上去Colab上训练我们的YOLOv4模型，Colab的训练主要由我们组员执行，他也有参加铁人赛也写得非常详细，可以去参考我的队友midnight_tired的YOLOv4及Colab训练的文章，这里就不多加阐述。大家也多多支持我的队友，期待他每天的文章吧！

图档分类

• 用建好的YOLOv4模型来分类我们的资料集，主要会分为3类资料夹：

  • 一个字(一个框)

  

  • 两个字以上(多个框)

    • 这是完美切割成两个字的样本。

    

    • 其中也有切割不成功的样本。

    

  • 空白，没文字
    

• 主办单位说，正式比赛只会有一个清楚的字出现，故我们讨论出，只针对一个字的资料夹去做处理及训练，两个字及没有文字的资料夹则暂不处理。

• 在对一个字的资料夹做处理的时候发现其中有些问题：

  • 标签错误
    
    　解决：采取人工重新标签

  • 字体被切一半
    
    　 解决：例如＂洋＂的图片是羊，也是采取人工标签为＂羊＂

  • 字不在官方要的800字内
    
    　　解决：利用python程序将标签在非800字内的移入800字外的资料夹

今日小结

• 详细程序码可以参阅，我队友的文章(传送门)。
• 明天要来处理图片的红色线条问题，例如下图，
  
  以及将图片做灰阶，我们认为文字不分颜色，故灰阶对於文字的图像辨识训练会有较好的效果。
• 因为我们是队友，所以资料前处理部分会有很多重叠之处，做的方法甚至code都几乎一模一样，敬请见谅。