修改crnn工程格式

Doc/Tutorial_Cpp.md

@@ -6,7 +6,7 @@
 
 CRNN是文本识别领域的一种经典算法。该算法的主要思想是认为文本识别需要对序列进行预测，所以采用了预测序列常用的RNN网络。算法通过CNN提取图片特征，然后采用RNN对序列进行预测，最终使用CTC方法得到最终结果。模型的主要结构包括基于CNN的图像特征提取模块以及基于双向LSTM的文字序列特征提取模块，网络结构如下图所示。
 
-<img src="./CRNN_01.jpg" alt="CRNN_01"  />
+<img src="./Images/CRNN_01.jpg" alt="CRNN_01"  />
 
 本示例采用了如下的开源实现：https://github.com/meijieru/crnn.pytorch, 作者提供了CRNN的预训练模型。
 
@@ -123,7 +123,10 @@ CRNN是文本识别领域的一种经典算法。该算法的主要思想是认
    
        // 推理
        std::vector<migraphx::argument> inferenceResults = net.eval(inputData);
-   
+       // 如果想要指定输出节点，可以给eval()函数中提供outputNames参数来实现
+       //std::vector<std::string> outputNames = {"output"};
+       //std::vector<migraphx::argument> inferenceResults = net.eval(inputData, outputNames);
+
        // 获取推理结果
        std::vector<cv::Mat> outs;
        migraphx::argument result = inferenceResults[0]; 

Doc/Tutorial_Python.md

@@ -6,7 +6,7 @@
 
 CRNN是文本识别领域的一种经典算法。该算法的主要思想是认为文本识别需要对序列进行预测，所以采用了预测序列常用的RNN网络。算法通过CNN提取图片特征，然后采用RNN对序列进行预测，最终使用CTC方法得到最终结果。模型的主要结构包括基于CNN的图像特征提取模块以及基于双向LSTM的文字序列特征提取模块，网络结构如下图所示。
 
-<img src="./CRNN_01.jpg" alt="CRNN_01"  />
+<img src="./Images/CRNN_01.jpg" alt="CRNN_01"/>
 
 本示例采用了如下的开源实现：https://github.com/meijieru/crnn.pytorch, 作者提供了CRNN的预训练模型。
 
@@ -35,12 +35,23 @@ class Crnn:
     def __init__(self, path):
         # 解析推理模型
         self.model = migraphx.parse_onnx(path)
+        
+        # 获取模型输入/输出节点信息
+        print("inputs:")
+        inputs = self.model.get_inputs()
+        for key,value in inputs.items():
+            print("{}:{}".format(key,value))
+        
+        print("outputs:")
+        outputs = self.model.get_outputs()
+        for key,value in outputs.items():
+            print("{}:{}".format(key,value))
 
         # 获取模型的输入name
         self.inputName = self.model.get_parameter_names()[0]
 
         # 获取模型的输入尺寸
-        self.inputShape = self.model.get_parameter_shapes()[self.inputName].lens()
+        self.inputShape = inputs[self.inputName].lens()
         
         ...
 ```

README.md

-# Convolutional Recurrent Neural Network(CRNN)
+# CRNN
 
-## 模型介绍
+## 论文
 
-CRNN是文本识别领域的一种经典算法，该算法的主要思想是认为文本识别需要对序列进行预测，所以采用了预测序列常用的RNN网络。算法通过CNN提取图片特征，然后采用RNN对序列进行预测，最终使用CTC方法得到最终结果。
+An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition
+
+- https://arxiv.org/abs/1507.05717
 
 ## 模型结构
 
 CRNN模型的主要结构包括基于CNN的图像特征提取模块以及基于双向LSTM的文字序列特征提取模块。
 
-## Python版本推理
+<img src="./Doc/Images/CRNN_01.jpg" style="zoom:100%;" align=middle>
 
-下面介绍如何运行Python代码示例，Python示例的详细说明见Doc目录下的Tutorial_Python.md。
+## 算法原理
+
+CRNN是文本识别领域的一种经典算法，该算法的主要思想是认为文本识别需要对序列进行预测，所以采用了预测序列常用的RNN网络。该算法首先通过CNN提取图片特征，然后采用RNN对序列进行预测，最终使用CTC方法得到最终结果。
+
+## 环境配置
 
-### 下载镜像
+### Docker
 
-下载MIGraphX镜像： 
+拉取镜像：
 
-```python
+```plaintext
 docker pull sugonhub/migraphx:3.2.1-centos7.6-dtk-23.04.1-py38
 ```
 
-### 设置Python环境变量
+创建并启动容器，安装相关依赖：
+
+```plaintext
+docker run --shm-size 16g --network=host --name=crnn_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v $PWD/crnn_migraphx:/home/crnn_migraphx -it <Your Image ID> /bin/bash
+
+# 激活dtk
+source /opt/dtk/env.sh
+```
+
+## 数据集
+
+根据提供的样本数据，进行文本识别。
+
+## 推理
+
+### Python版本推理
+
+下面介绍如何运行Python代码示例，Python示例的详细说明见Doc目录下的Tutorial_Python.md。
+
+#### 设置环境变量
 
 ```
 export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH
 ```
 
-### 安装依赖
+#### 运行示例
 
 CRNN工程的Python推理示例仅提供静态推理，可使用如下命令运行：
 
@@ -35,43 +60,24 @@ CRNN工程的Python推理示例仅提供静态推理，可使用如下命令运
 cd <path_to_crnn_migraphx>/Python
 
 # 安装依赖
-pip install -r requirements.txt
-```
-
-### 运行示例
+pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
 
-在Python目录下执行如下命令运行该示例程序：
-
-```
+# 运行示例
 python Crnn_infer_migraphx.py 
 ```
 
-文本识别结果为：
-
-```
-a-----v--a-i-l-a-bb-l-e--- => available
-```
-
-## C++版本推理
+### C++版本推理
 
 下面介绍如何运行C++代码示例，C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。
 
-### 下载镜像
 
-下载MIGraphX镜像： 
-
-```
-docker pull sugonhub/migraphx:3.2.1-centos7.6-dtk-23.04.1-py38
-```
-
-
-### 构建工程
+#### 构建工程
 
 ```
 rbuild build -d depend
 ```
 
-### 设置环境变量
+#### 设置环境变量
 
 将依赖库依赖加入环境变量LD_LIBRARY_PATH，在~/.bashrc中添加如下语句：
 
@@ -85,7 +91,7 @@ export LD_LIBRARY_PATH=<path_to_crnn_migraphx>/depend/lib64/:$LD_LIBRARY_PATH
 source ~/.bashrc
 ```
 
-### 运行示例
+#### 运行示例
 
 成功编译CRNN工程后，执行如下命令运行该示例：
 
@@ -103,27 +109,48 @@ cd build/
 ./CRNN 0
 ```
 
-静态推理示例输入样本图像为：
+2. 动态shape推理
+
+```
+# 执行动态推理示例程序
+./CRNN 1
+```
+
+## result
+
+### Python版本
 
-![text0](./Resource/Images/CrnnDynamicPic/text0.jpg)
+输入样本图像得到文本识别的结果
 
-文本识别结果为：
+<img src="./Resource/Images/text.jpg" style="zoom:100%;" align=middle>
 
 ```
 a-----v--a-i-l-a-bb-l-e--- => available
 ```
 
-2. 动态shape推理
+### C++版本
 
-```
-# 开启环境变量
-export MIGRAPHX_DYNAMIC_SHAPE=1
+静态推理：
 
-# 执行动态推理示例程序
-./CRNN 1
+输入样本图像得到文本识别的结果
+
+<img src="./Resource/Images/CrnnDynamicPic/text0.jpg" style="zoom:100%;" align=middle>
+
+```
+a-----v--a-i-l-a-bb-l-e--- => available
 ```
 
-文本识别结果：
+动态推理：
+
+可以连续对多张样本图像进行文本识别
+
+<img src="./Resource/Images/CrnnDynamicPic/text0.jpg" style="zoom:100%;" align=middle>
+
+<img src="./Resource/Images/CrnnDynamicPic/text1.jpg" style="zoom:80%;" align=middle>
+
+<img src="./Resource/Images/CrnnDynamicPic/text2.jpg" style="zoom:60%;" align=middle>
+
+<img src="./Resource/Images/CrnnDynamicPic/text3.jpg" style="zoom:80%;" align=middle>
 
 ```
 available
@@ -132,10 +159,20 @@ waiting
 recognition
 ```
 
+## 应用场景
+
+### 算法类别
+
+`ocr`
+
+### 热点应用行业
+
+`工业制造`、`金融`、`交通`、`教育`、`医疗`
+
 ## 源码仓库及问题反馈
 
-​		https://developer.hpccube.com/codes/modelzoo/crnn_migraphx
+https://developer.hpccube.com/codes/modelzoo/crnn_migraphx
 
 ## 参考
 
-​		https://github.com/meijieru/crnn.pytorch
+https://github.com/meijieru/crnn.pytorch

model.properties

+# 模型唯一标识
+modelCode = 219
 #模型名称
-modelName=CRNN_MIGraphX
+modelName=crnn_migraphx
 #模型描述
 modelDescription=CRNN模型是图像文本识别领域的经典算法，主要用于端到端地对不定长的文本序列进行识别。
 #应用场景
-appScenario=推理,0CR
+appScenario=推理,0CR,文本识别
 #框架类型
-frameType=MIGraphX
+frameType=migraphx
\ No newline at end of file