OCR

Sử dụng thư viện PaddleOCR trong bài toán nhận dạng chữ Tiếng Việt

16/01/2024
Lê Hoàng Hưng
No Comments

1. Giới thiệu về OCR

Hệ thống nhận dạng chữ viết (Optical Character Recognition – OCR) đã được sử dụng rộng rãi trong thực tế như đọc hoá đơn, các loại giấy tờ cá nhân. Tuy nhiên OCR vẫn là một vấn đề đầy thách thức về cả độ chính xác và tốc độ tính toán. Các công cụ và các thuật toán trích xuất ngày càng được phát triển và làm việc hiệu quả trong việc nhận dạng và phân tích cấu trúc.

2. Giới thiệu PaddleOCR

PaddleOCR là một framework mã nguồn mở được phát triển bởi Baidu PaddlePaddle nhằm hỗ trợ việc nhận dạng và trích xuất thông tin từ hình ảnh. PaddleOCR ra đời hỗ trợ nhận dạng tiếng Anh, tiếng Trung, chữ số và hỗ trợ nhận dạng các văn bản dài. Hiện nay, PaddleOCR đã mở rộng thêm nhiều ngôn ngữ như Nhật, Hàn, Đức,… nhưng vẫn chưa có tiếng Việt. Văn bản tiếng Việt có dấu sẽ đọc ra không dấu, ví dụ như “Thị giác máy tính” sẽ nhận diện thành “Thi giac may tinh”. Tuy nhiên, chúng ta vẫn có thể tự huấn luyện với bộ dữ liệu riêng để PaddleOCR có thể nhận dạng được tiếng Việt.

Kết quả trích xuất văn bản tiếng Việt bằng mô hình PaddleOCR cơ bản

 

Nếu bạn chỉ cần sử dụng mô hình PaddleOCR cơ bản có thể tham khảo bài viết Xác định vị trí của text trong ảnh bằng PaddleOCR.

 

3. Các bước triển khai mô hình

Cả hai phần dectect và recognize đều gồm các bước sau:

  • Bước 1: Tiền xử lý dữ liệu
  • Bước 2: Cấu hình file config
  • Bước 3: Train model
  • Bước 4: Evaluation
  • Bước 5: Convert sang model inference
  • Bước 6: Predict

4. Chuẩn bị môi trường thực thi

  • Bước 1: Cài đặt Python 3.7.3 x64
  • Bước 2: Cài đặt Visual Studio 2015 trở lên để có Visual C++ 140 dùng để compile code
  • Bước 3: Cài đặt Paddle:
    • nếu sử dụng cpu: pip install paddlepaddle
    • nếu sử dụng gpu rời: pip install paddlepaddle-gpu
  • Bước 4: Clone source code:
    git clone https://github.com/thigiacmaytinh/PaddleOCR-Vietnamese.git
Các bạn có thể tham khảo file Notebook.ipynb ở repo trên.
  • Bước 5: Cài đặt một số thư viện cần thiết:
    pip install -r requirements.txt

5. Mô hình detection SAST + recognition SRN

5.1. Model Detection SAST

5.1.1. Chuẩn bị dữ liệu

Bạn có thể tải tập dữ liệu huấn luyện từ repo https://github.com/VinAIResearch/dict-guided. Download dataset Original với format x1,y1,x2,y2,x3,y3,x4,y4,TRANSCRIPT. Hoặc tải tại đây.

Sau khi tải về và giải nén ra ta sẽ có:

  • Folder labels – chứa các file annotation của từng image
  • Folder train_images – chứa 1200 ảnh từ im0001 đến im1200
  • Folder test_image – chứa 300 ảnh từ im1201 đến im1500
  • Folder unseen_test_images – chứa 500 ảnh từ im1501 đến im2000
  • File general_dict.txt
  • File vn_dictionary.txt
Cấu trúc folder data như sau:

Để train model detection của PaddleOCR cần convert file annotation về format như sau:

image file name Image annotation information encoded by json.dumps
img_001.jpg [{“transcription”: “text”, “points”: [[31, 10], [41, 11], [48, 26], [32, 19]]}, {…}]

Ở đây
  • points sẽ là các cặp (x, y) 4 góc của text box theo chiều ngược kim đồng hồ, bắt đầu từ góc dưới bên trái.
  • transcription là text ở trong text box hiện tại. Khi chứa “###” thì có nghĩa là text box này invalid và sẽ skip đi khi train model.
Lưu ý: Image file name và Image annotation information sẽ cách nhau khoảng cách 1 tab.
Để convert có thể sử dụng code sau:

5.1.2. Chuẩn bị file Config

Đầu tiên download pretrained model đã được train sẵn với dataset tiếng anh đạt kết quả cao với ICDAR2015 dataset: SAST + ResNet50_vd
Thêm đường dẫn pretrain model vừa tải vào Global.pretrained_model trong file config (configs/det/SAST.yml)

pretrained_model: ./pretrain_models/det_r50_vd_sast_icdar15_v2.0_train/best_accuracy

Nếu sử dụng CPU thì set Global.use_gpu: false

5.1.3. Training

Trong dòng code trên, sử dụng -c để chọn file cấu hình. Ngoài ra bạn còn có thể sử dụng -o để thay đổi các parameter mà không cần phải sửa file yml.

Sau mỗi save_epoch_step, checkpoint sẽ được lưu ở đường dẫn được đặt tại dòng Global.save_model_dir trong file config gồm 3 file:

  • iter_epoch_1.pdopt
  • iter_epoch_1.pdparams
  • iter_epoch_1.states

Ta có thể train tiếp từ checkpoint trên mà không cần sửa file config bằng cách sau:

Chú ý: Global.checkpoints sẽ được ưu tiên hơn Global.pretrained_model do đó nếu cả 2 đều được set thì Global.checkpoints sẽ được load để train. Nếu đường dẫn Global.checkpoints sai, Global.pretrained_model sẽ được load.

 

5.2. Model Recognition (SRN)

5.2.1. Chuẩn bị dữ liệu

Data train model recognition thì nó sẽ khác so với model detection đó là data sẽ là các ảnh nhỏ và một file txt lưu đường dẫn ảnh cùng với chữ trong ảnh đó. Format có thể xem ở ảnh bên dưới.

Có thể thấy rằng data để train model recognition là mỗi ảnh chứa một chữ trong khi data đã download lại là ảnh chứa nhiều chữ. Do vậy ta phải cắt nhỏ ảnh đã có từ các box chứa text.

5.2.2. Dictionary

Để dự đoán được tiếng việt thì ta cũng cần một file dictionary dành cho tiếng Việt chứa tất cả các kí tự. Do PaddleOCR chưa hỗ trợ tiếng Việt nên ta sẽ dùng file dictionary riêng để train. Dictionary lưu ở ppocr/utils/dict/vi_vietnam.txt.

5.2.3. Chuẩn bị file Config

Cách chỉnh sửa file config model recognition cũng tương tự như model detection. Chỉ có một số điểm khác là character_dict_path – đường dẫn file dictionary, use_space_char – dự đoán khoảng trắng hay không, max_text_length – độ dài tối đa kí tự trong một box.
Đầu tiên download pretrained model đã được train sẵn với dataset tiếng anh đạt kết quả cao với ICDAR2015 dataset: SRN + Resnet50_vd_fpn
Thêm đường dẫn pretrain model vừa tải vào Global.pretrained_model trong file config (configs/rec/SRN.yml)

pretrained_model: ./pretrain_models/rec_r50_vd_srn_train/best_accuracy

Tiếp theo chỉnh sửa đường dẫn file dictionary

character_dict_path: ./ppocr/utils/dict/vi_vietnam.txt

Nếu sử dụng CPU thì set Global.use_gpu:false

5.2.4. Training

Sử dụng code sau để train:

 

5.3. Đánh giá mô hình

Một bước không thể thiếu đó là đánh giá mô hình để biết mô hình có đang hoạt động tốt không, chuyện gì xảy ra với mô hình. Từ đó giúp ta xác định được nên làm gì tiếp theo. Dataset dùng để evaluation được set ở mục Eval.dataset trong file config

5.4. Inference với model đã train xong

Convert 2 mô hình dectection và recognition sang mô hình inference như sau:

Sau khi convert có thể sử dụng mô hình inference để predict, kết quả sẽ được lưu tại inference_results.

Hoặc kết hợp cả 2 model detection và recognition với nhau:

Sau khi chạy lệnh ta được kết quả như sau:


 

5.5. Kết luận mô hình SAST + SRN:

Trích xuất văn bản tiếng Việt sử dụng kết hợp mô hình detection SAST và recognition SRN cho ra kết quả rất tốt, tuy nhiên thời gian detect và recognize lại tương đối chậm. Khi sử dụng CPU, thời gian cho ra kết quả là hơn 1 phút. Do đó, mô hình này không thích hợp để ứng dụng vào các bài toán trích xuất nhiều thông tin hoặc các bài toán yêu cầu tốc độ xử lý nhanh.

5.6. Tham khảo:

[AI-Challenge 2021] Nhận dạng chữ tiếng Việt trong ảnh ngoại cảnh

Leave a Reply